中文自然语言处理（中文Natural Language Processing,中文NLP）是人工智能下中文研究的一个重点,它的研究内容主要包括:中文分词、文本向量化、序列标注任务、文本分类、机器翻译、信息提取任务、场景任务等。中文分词为中文NLP与传统NLP中最大的不同,因为中文与英文等语言不同,词与词之间无天然间隔。情感分析属于文本分类中的重要问题。其中中文分词是情感分析的基础,是实现信息提取和分析的支撑。中文分词主要分为:基于字典、统计和神经网络的几种分词方法。本文将综述多种中文分词方法,希望能将传统方法与深度学习结合考虑,以便找到一种更加准确快速的中文分词方法。目前的研究热点是神经网络分词,其发展为中文分词带来了更多的可能性。而优化算法在很多神经网络框架中都起着较为重要的作用,合理的优化算法往往能使问题得到更好的解决效果。本文的主要工作内容如下:（1）考虑到本文将要实现一种新的神经网络分词方法,这里通过对多种优化算法进行综述后,对加入了的牛顿动量（Nesterov）的Adam算法——Nadam算法的收敛性进行了讨论,并提出可以参考改进Adam（RAdam）算法,从而得到一个改善了收敛性的Nadam（RNadam）算法。通过实验使该算法在三层神经网络与LSTM的情况下对数据进行分类,并将输出结果与实际结果之间的损失和准确度进行绘图,它们所得到的曲线都相对平缓,是一个较好的结果,这可以加入到后续的中文分词与情感分析中并使其结果得到改善。（2）提出将互信息、朴素贝叶斯与改进了优化算法的FoolNLTK相结合,利用中文特有词性特点,得到一个合并分词算法。它可以将原本细碎的中文分词结果进行合并,以得到合理的合成词。通过对爬取的微博和知网摘要文本进行实验,在对关键词和新词的分词中,该算法有着良好的表现。（3）通过对情感分析问题的研究,得出除了现有的基于情感分析模型本身的研究,还可以通过对情感分析模型输入向量进行改进。本文提出可以通过将训练文本进行分词后,以Word2Vec方法进行初始词向量提取,然后将提取的词向量保留,以用于后续的情感分析问题中。将文本以分词后处理得到的词向量和直接使用ALBERT得到的字向量两种向量相结合,嵌入多种情感分析模型中进行实验,证明其具有可行性,同时对分析的准确度起到提高作用。