在各种自然语言处理(NLP)任务中,文本情感分析是其中一个重要的挑战任务和飞速发展的研究领域。文本情感分析通过一系列方法对主观性文本中的情感成分进行分析、处理、归纳和推理。目前面向中文的文本情感分析方法主要分为基于情感词典的方法和基于机器学习的方法。基于情感词典的方法是利用知识库和语料库,通过不同词语之间的词义关系构建具有褒贬义情感倾向的情感词典。这种方法将词语进行二元(褒义、贬义)或三元(褒义、贬义和中性)划分,构建成的词典在情感强度细分任务上表现粗糙,强度极值差异化程度较大,无法进行细粒度的情感分析。基于机器学习的情感分析方法通常使用神经网络模型将词语转换为有意义的分布式词向量,通过预训练好的词向量(如,Word2vec和GloVe),计算词语间的余弦相似度进行文本情感分析。然而,现有的基于上下文的词向量训练方法,可能导致具有相反情感极性的词语具有相似的向量空间表示(例如“温柔”和“刁蛮”的余弦相似度为0.670398235),导致情感分析性能降低。本文将情感词典与词向量空间模型相结合,提出一个基于情感词强度极值的情感嵌入模型。从情感词典出发,将情感词典与词向量空间余弦相似度结合,计算出每个词语的细粒度情感强度分数。然后利用此强度极值对预训练词向量进行优化,改进每个词向量,使语义和情感上同时相似的词语在词汇表中更加接近(即具有相似情感极值的词语互相接近,具有相反情感极值的词语互相远离)。实验结果表明,本文所提出的优化模型可以为基于情感词典的情感分析任务提供更精确的细化分值。同时改进传统的词嵌入模型,与原始词向量相比,情感嵌入向量中情感反义词出现概率大幅度减少,情感分类效果更好。