近年来,人们通过社区型网站与社会化网络积极参与互联网大环境,由此产生了大量的用户生成内容。针对用户生成内容进行情绪识别可应用于人机交互、产品策略调整等领域,有助于高级人工智能的发展,并具有现实意义,现已成为一个热门的研究领域。然而,用户生成文本具有内容短、语义稀疏且更新迭代快的特点,现有情绪识别研究虽已比较成熟,但应用于用户生成文本具体场景中时仍存在一定的局限性。针对上述问题,本文的主要工作可归纳总结为以下四个方面:1.设计一个实验以发现现有模型在用户生成文本情绪识别场景下存在的问题并探索用户生成文本中噪声(即不含情绪的文本)对于情绪识别实验效果的影响。本文选取了传统机器学习与深度学习中典型的模型,在统一的实验基准下分别就文中提出的三种实验方案进行实验。通过实验发现,噪声不利于单种情绪识别,但有助于多种情绪识别;每种模型有各自适合的应用场景,但应用于用户生成内容中时,他们难以捕获用户生成内容中上下文语境蕴含的情绪线索,并且对于同一条用户生成内容中蕴含有多种情绪的情况往往无法准确识别且训练效率低。2.提出了一种可同时识别单种情绪及其对应情绪表达短语的循环门模型。该模型通过双向长短时记忆模型联合注意力机制捕获上下文语境中的情绪表达短语,并使其与文本中蕴含的情绪通过循环门迭代相互增益,解决了现有方法无法在上下文语境中捕获情绪线索的缺点。实验表明,该模型在情绪表达短语的识别与单种情绪识别上均优于基准模型,并且迭代次数为5时能使模型效果发挥到最佳。3.提出了一种适用于用户生成内容特点的多种情绪识别模型。该模型基于卷积神经网络,并用自注意力机制取代了池化层,既避免了多种情绪要素在池化操作筛选特征时的损失,又能使模型更快收敛。另外,本文根据自注意力权重值可视化卷积窗口,获取到了关键情绪表达短语,并分析了自注意力机制的可行性。最终实验表明,该模型表现优于基准模型,并且对于噪声鲁棒性较强。4.提出了一个基于本文提出方法的实际应用方案,代入了具体的应用案例进行应用与分析,证明了本文提出模型的实用价值与现实意义。