网络舆情是指社会各界群众依托互联网平台,对社会中存在的焦点问题所发表的言论、看法和情绪的集合。随着社交媒体2.0时代的到来,社交媒体平台上的各式各样的内容分享呈现爆炸式增长的趋势。网络舆情中某一事件的出现、传播到最终消逝的全过程离不开舆情管理者、舆情发布者和舆情受众的共同影响。一般的舆情内容可概括为舆情发布者所发布的报道和舆情受众的评论两部分。由于现有的社交媒体对舆情报道的类别划分简单,传统单一的主题分类标签已无法涵盖舆情报道的全部内容,如何进行多维度的舆情主题识别是舆情监测的重点之一。舆情受众针对某一事件发表的评论中所蕴含的社会情绪是舆情内容分析中最有价值的信息之一,而网民情绪易受煽动,往往是某个并不起眼的微小事件加上一点情绪化的意见表达,就成为了吸引全社会目光的舆论热点,故舆论场中的受众情绪分析也是舆情监测的重中之重。但社交媒体中的舆情内容具有数量上的海量性和形式上的多样性特点,面面俱到的监测方式往往难以实现。综合上述讨论,本文将舆情文本内容分析作为一种具有针对性的研究方式,综合了舆情管理者,舆情发布者,舆情受众在舆论场的参与特点,以舆情报道的主题和舆情评论的情感极性作为监测内容,构建了一套基于内容分析的网络舆情监测系统。本系统分为主题识别和情绪测量两个子模块。第一个主题识别子模块采用基于CLSTM模型的文本分类方法,将卷积神经网络与LTSM网络相结合,克服了传统文本分类方法中无法识别出舆情文本主题标签相关性的缺点,解决了文本多义问题。第二个情绪测量子模块采用基于CSBL模型的文本情感倾向分析方法,将胶囊网络与Stacked-Bi LSTM网络相结合,不但能够调整重要舆情特征的权重系数,也解决了词汇的长时依赖问题。通过该系统对舆情主题的多个打标结果以及舆情评论的定性和定量打分,方便舆情管理者在查看批量舆情内容时汇聚舆情焦点,并对其中蕴含的社会情绪进行管理和引导。为了验证该网络舆情监测系统的先进性和可行性,本文采用Python语言和深度学习框架Tensorflow,并使用了多个主流媒体平台真实语料库,实现了该系统的性能测试和功能测试。测试结果表明,本文所研究的网络舆情监测系统在性能方面,通过与已有方法的对比,在准确率、损失率、宏平均等评估指标集都有明显的提升,具有先进性;在功能方面,可以准确地依据输入新闻输出对应的主题分类,也可以依据输入评论输出对应的情感极性倾向和强度评分,具有可行性。