互联网络时代,网络舆情事件极易发生。尽管各个网络舆情事件产生的原因各不相同,但舆情发展的高峰一般都伴随着网民负面情感的产生。网络舆情发酵带来的厌恶、愤怒等负面情感对社会稳定产生巨大威胁。因此,从网络舆情数据中自动识别网民的负面情感,受到各国政府机构的极大关注,也是学术界的研究热点。本文构建网民负面情感分类模型,利用词嵌入语言模型学习得到具有语义和语法信息的词向量作为文本特征表示,以既具有抽取长序列文本数据的能力,又可以学习词语的上下文特征的双向长短期记忆模型提取句子特征,并结合注意力模型使得模型更关注句子中重要的特征,实现网民非负面、厌恶、愤怒、悲伤和恐惧五种情感的识别,并结合中英文网络舆情数据集进行实证研究。实验表明,Skip-Gram词嵌入模型训练的词向量更适合网民情感分析任务;双向长短期记忆模型比长短期记忆模型更充分地学习舆情文本情感特征;注意力模型能够提升原始模型学习文本特征的效果;网民负面情感分类模型能够出色完成网民负面情感多分类任务并具有超过其他神经网络模型和机器学习模型的分类性能;在判断网民情感极性基础上进一步识别网民多种负面情感的分类策略优于直接判断网民多种负面情感的策略。本文的创新性在于基于负面情感角度和深度学习方法,建立网民负面情感分类模型,并在多种语言语料中验证模型的有效性。从网民负面情感角度,研究网络舆情事件中网民多种情感的识别问题;利用结合注意力模型的双向长短期记忆模型识别网民多种负面情感,实现网民情感自动识别技术的创新。