社交媒体的兴起使抖音、微博等日益渗透到人们的生活中,用户能够随时随地的在网上查找自己感兴趣的信息并进行分享讨论。互联网舆情是带有较强影响力和倾向性的民意的综合反应,由于舆情消息爆炸式的递增且格式多种多样,所以通过对海量舆情的处理分析快速精准了解民意并建立起全方面,高效率的舆情监管机制,提高舆情判断的准确率,使互联网健康稳定发展具有重要的现实价值与研究意义。舆情分析主要包括对海量信息的自动抓取,主题检测,行业分类,情感分析等内容。为了提高舆情分析的准确度和效率,本文主要的研究内容包括以下两个方面:1.文本的行业分类。由于文本在结构上存在着上下文之间的依赖,CNN擅长对局部特征进行提取而无法获得上下文的含义,RNN由于存在梯度问题无法保证分类的准确率。为了弥补这些神经网络的不足,本文将CNN与BILSTM进行融合,首先将获取的文本进行分词,然后使用word2vec技术将词语进行向量化处理,利用CNN提取局部特征的同时,并且使用BILSTM模型进行双向特征学习提取文本的全局特征,经过组合后使用Soft Max层计算出正确的类别。本文提出的算法在精确率precision,召回率recall和F1值这些评价指标上均有不错的表现,使得文本行业分类的准确率得到显著提高。2.文本的情感倾向分析。由于短文本语料短而又特征发散,基于字典的传统情感分析方法对构造词典的质量依赖较强,简单的深度学习模型不能有效处理上下文相关的语义理解。为了更好的抽取文本特征,本文采用BERT-CNN模型进行舆情的情感分析。首先通过BERT模型获取到词向量,通过CNN网络进一步提取句子中的高阶特征和特征降维,加入随机Dropout防止过拟合,然后把输入到全连接层的特征向量由softmax函数计算出情感类别。经实验表明,该方法与Text CNN,Bi Lstm,Bi Lstm+Att等算法相比能够很好地提高情感分类准确度。