情感分析是指对主观性文本中的情感信息进行挖掘和分析,细粒度的情感分析对文本中的情感进行更细致的划分,以获取更多的情感信息。微博作为社交媒体平台的主流代表,具有庞大的用户群体且包含大量可供情感分析的主观性文本。中文微博细粒度情感分析是对微博中所蕴含的细腻情感进行信息提取和分析,准确识别微博中表达的情感在理论研究和实际应用上都有一定的意义。本文将对中文微博情感分析展开研究,对基于情感词典的方法进行改进并应用于二分类情感分析中。基于深度学习(Deep Learning)算法,本文应用注意力机制循环神经网络和卷积神经网络对中文微博细粒度情感分析开展研究。本文的主要研究内容如下:1本文对基于情感词典的方法进行了分析和改进,对原有的情感词典进行更新,对情感判定规则进行重新定义。与改进前的方法相比,改进后的方法在微博二分类情感分析的性能有了一定的提高。2本文将注意力(Attention)机制和循环神经网络(Recurrent Neural Network,RNN)相结合,将Att-RNN(Attention-RNN)模型应用于细粒度情感分析。注意力机制的加入可以更好地学习文本中的情感特征,去除无关信息的影响,提高了中文微博细粒度情感分析的准确率。本文通过大量实验对采用三种不同模块的RNN和Att-RNN模型效果进行对比分析,对不同优化器的优化效果进行实验,对预训练词向量的影响进行比较和分析,对模型的不同参数进行选择和对比。实验证明了该模型在微博细粒度情感分析任务中具有较好的表现。3本文将卷积神经网络模型应用到中文微博细粒度情感分析中。CNN在图像视觉领域的应用取得了较大成功,但在自然语言处理上的应用较少。本文通过对CNN模型进行调整将其应用于情感分析任务。通过设计对比实验对模型的可行性进行测试,对预训练词向量对模型效果的影响进行比较和分析,对模型的不同参数进行选择和对比。同时,加入人工标注的陌生微博来测试模型的适用性和泛化能力。最后对Att-RNN模型和CNN模型的精度和效率进行了对比分析。本文的研究工作为中文微博细粒度情感分析提供了新的方法。