在现实生活中,随着网络的迅速发展,产生了越来越多的网络平台,如电影网站、购物网站、新浪微博网站等。人们倾向于在这些网络平台上针对某些内容发表自己的观点和意见,因此出现了大量含有情感极性的评论文本,对这些评论文本数据进行情感极性挖掘具有非常重要的意义。目前大部分的情感分析算法在对评论文本数据进行分析时,通常使用神经网络搭配注意力机制的方式。同时,在注意力机制中融合其它信息辅助注意力权重分配是一种提高情感分析算法性能的方法,但是目前该类方法仍然存在没有充分利用其它辅助信息的问题,导致算法的性能不佳。本文围绕该类算法进行研究,提出了两种改进注意力机制的算法,通过交互式计算的方式在注意力机制中融合其它辅助信息以改善注意力机制的权重分配,提高情感分析算法的最终性能。主要研究内容包括:（1）针对现有方面情感分析算法中注意力机制存在偏好的问题,提出了一种基于方面频次信息交互融合的情感分析算法SIFAF（Sentiment analysis based on the Interactive Fusion of Aspect Frequency information）。首先统计方面项的频次信息,利用频次信息构造嵌入向量,将方面项频次嵌入向量与相对位置嵌入向量相连接输入到Bi LSTM网络中提取方面频次信息的隐藏状态,然后在注意力层对提取的方面频次信息隐藏状态、方面项隐藏状态以及上下文隐藏状态进行交互式计算得到各隐藏状态的注意力权重,根据权重更新各隐藏状态向量,通过多次训练更新得到方面项的最终表示向量,最后利用softmax分类器对方面项表示向量做情感类别计算。在两个公共数据集Restaurant和Laptop上的实验结果表明,本文提出的算法效果更好,相较于其它基准算法,该算法在上述两个数据集上的二分类准确率平均分别提升了2.69%、1.87%,三分类准确率平均分别提升了4.30%、4.54%。（2）针对现有文档情感分析算法中存在多类信息简单堆叠、无法充分利用的问题,提出了一种基于多类信息交互融合的情感分析算法SIFMT（Sentiment analysis based on the Interaction and Fusion of Multiple Types of information）。首先获取到多类信息,利用获取到的多类信息构造嵌入向量,然后将各类信息嵌入向量输入到Bi LSTM网络中提取多类信息隐藏状态,通过在注意力层对提取的多类信息隐藏状态与上下文信息隐藏状态进行交互式计算得到最终的注意力权重,根据权重更新上下文隐藏信息并生成最终的文档表示向量,最后利用softmax分类器对文档表示向量做情感类别计算。在IMDB、Yelp2013、Yelp2014三个公共数据集上的实验结果表明,本文提出的SIFMT算法相比于其它对比算法在上述三个数据集上的多分类准确率平均分别提升了10.16%、7.5%、7.36%。实验结果验证了本文提出算法的有效性。