随着5G技术的普及和应用,各类社交媒体平台与电子商务网站的发展迅速,网络上产生了海量涉及个人情感信息的文字数据。通过分析这些文本数据,可以更准确地获知评论者的意见,为商家的商业经营提供支持,帮助决策机构监管舆情。设计合理高性能的模型发现并分析在大量文字数据中蕴藏的情感信息,成为了情感分析中的一个重要任务。文本情感分析包括显式情感分析和隐式情感分析。目前针对显式情感分析的研究已经比较成熟,然而隐式情感分析仍处于起始研究阶段。网民在社交平台上在发表评价时,经常采取更含蓄、更委婉的语言表达方法,而对此类文本进行隐式情感分析,将会为社会舆情的管控（如对虚假信息的及时发现与澄清）、商业经营（商品评论有助于商家制定合理的销售策略）等方面提供更加精准的帮助。在隐式情感识别的研究中,多数以卷积神经网络和长短期记忆网络作为模型的基础算法,这两种方法各具优势,但同时也还有不足之处。因此,本文通过卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）构建一个双通道的神经网络模型,生成一个包含多个层级特征的语义表示,在融合词语、情感句以及上下文特征方面开展了研究。本文主要围绕着三种类型（褒义/贬义/中性）的隐式情感倾向,进行了如下的工作。（1）对隐式情感文本数据进行分析,发现在大多数情况下,一个句子单独来看不含有任何情绪,而在将其置于特定的上下文语境中时会显示出某种情绪。所以本文借助可变卷积神经网络（VCNN）提取情感标签句局部特征,包括句子维度和词向量维度上的语义表示,使得情感目标句中的句子级语义特征更为全面和精确;借助双向长短期记忆网络（BiLSTM）为目标句上下文句子学习语境信息,并利用自注意力机制对文本中的词汇给出不同的贡献程度分值,以提升分类的准确性,而且与注意力机制相比较,对外部信息依赖性更低,由此提取出篇章级全局特征。为了使语义特征表示更全面,在提取文档深层特征的同时考虑浅层特征,将词性特征加入到语义特征中,即在VCNN通道的输入矩阵中添加了情感目标句中词语的词性向量（Part of speech）矩阵,将词性向量与词向量进行拼接共同输入到分类器中,由此得到词语级的词性浅层特征。实验结果表明,融合了多级语义的分类模型的准确率为75.9%,宏平均F1值为0.763,相比于单一的神经网络,混合神经网络在隐式情感分析任务中能够更高效地学习语义信息,多级语义特征表示扩充了原始特征中含有的信息量,能实现更好的语义理解。（2）根据多级语义特征与动态路由算法构建中文隐式情感分类模型CISC-MSF（Chinese Implicit Sentiment Classification Based on Multi-level Semantic Fusion）。在BiLSTM算法之后,使用自注意力机制为BiLSTM通道中的上下文语义特征分配注意力权重,更好地把词语特征中的重点表现出来。但尽管某些重要特征能够通过注意力机制来关注和度量,但注意力机制一经编码便不能再接受更多的信号,也难以学习文本隐藏的情感特征。因此,借助动态路由算法在动态编码方面的优势,将情感目标句与上下文语句的特征向量拼接输入到动态路由机制中,使得学习到的信息更加丰富。实验结果显示,CISC-MSF模型分类指标宏平均F1值为0.789,准确率为81.3%,中性、褒义、贬义三类情感句的宏平均F1值分别达到0.894、0.710、0.746,其中CISC-MSF在判别中性、褒义情感倾向任务中表现较好,相比大部分中文主流隐式情感句分类模型,本文模型具有更佳的分类效果。（3）将本文所提的模型应用到具体的微博热点话题中,获得了79.3%的准确率,比起BiLSTM、BiLSTM+att模型高出21%和15.8%。同时也举例说明了情感目标句上下文语句的情感倾向会影响目标句情感倾向的判别,当两者情感倾向一致时,上下文语句将会对目标句情感倾向的判别起到加强作用;当两者情感倾向相反时,上下文语句将会对目标句情感倾向的判别起到误导作用。此次实验证明了本文模型的实用性,能够将模型应用在热点话题发现、文本情感分析、垃圾邮件检测、舆情信息监测与分析、信息安全管理等场景中。这将有利于政府了解网民当前关注的热点话题事件及对事件表达的看法,可用于监测社会舆情、并通过一些正能量的话题引导并控制网络舆论;企业也可以通过分析各大网络平台热点话题、评论,分析用户的产品或服务需求,实现市场精准营销和个性化推荐,隐式情感分析效果的提升将更有利于商业价值和社会价值的提高。