互联网的飞速发展使得越来越多的网络用户习惯在网络上发表自己对某一事物的看法与评论,由于对这些评论所包含的情感进行分析可以创造巨大的商业与社会价值,用户评论情感分析长期以来都是信息科学与技术领域研究的热点。用户评论情感分析的主要任务是预测用户评论的情感倾向,也被称为情感分类。现有基于深度神经网络的情感分析模型,虽然克服了传统机器学习方法需要人工设计特征的不足,但这些模型无法感知到评论中的每个词对情感倾向的贡献程度,限制了情感分类任务的性能。此外,词向量技术将单词映射到低维向量空间中,是深度学习文本特征表达的基础,但现有的通用词向量生成模型仅依赖于单词的上下文结构来学习词向量,而无法获取单词的情感信息和领域相关性,故不适合直接应用于情感分类任务。针对上述问题,本文进行了如下研究:1.针对现有神经网络模型无法感知评论中每个单词重要性的问题,提出了一个结合注意力机制的卷积神经网络(Convolutional Neural Network,CNN)情感分类模型。该模型首先使用卷积神经网络提取评论的局部特征,并使用长短时记忆网络提取整条评论的序列特征。通过比较两个网络提取特征的相似度来计算注意力权重,并将局部特征的注意力加权和作为评论最终的特征表达。经过大量数据训练后,注意力机制可以判断评论中不同词语的重要程度,使得模型可以“注意到”评论中对情感影响最大的特征,提高评论特征表达的质量。实验结果表明,提出的模型和现有基于深度神经网络模型相比可以提升情感分类任务的准确率。2.针对现有词向量模型不能同时获取单词的领域信息和情感信息,构建了一种面向情感分析的跨领域情感词向量生成模型。该模型能够通过监督学习的方式获取到单词所包含的情感信息。此外,模型通过计算领域相关性来为一些单词生成跨领域词向量,以获取单词在领域转换时所发生的语义变化。通过实验验证,提出的模型可以生成适用于情感分类任务的词向量,与主流通用词向量模型相比,在情感分类任务上的性能有所提升。