随着互联网的飞速发展,人们也由以前的被动接收信息,逐步向主动参与转变,更乐于通过微博、博客、论坛等互联网平台公开发表自己的看法与观点。互联网每天都会产生大量的非结构化文本信息,其中包含了用户的看法以及情感。如果对这些具有很好的工业和学术研究价值的信息进行研究,并从中提取出所需的情感信息,便可以进一步促进网络舆情分析、企业管理、事件预测及商品营销等领域的发展。基于情感词典和基于机器学习的传统情感分类方法不适用于数据集庞大的应用场景,因此,深度学习已经成为情感分类领域的主流研究方向。论文主要工作内容如下:(1)构建CNN-Inception-Bi LSTM文本情感分类模型,先通过CNN-Inception网络学习文本的局部特征,再结合Bi LSTM的特点,利用文本的上下文特征,充分发挥两者的优势。本文采用的数据集是imdb影评数据集和toxic comment评论数据集,运用keras框架构建CNN-Inception-Bi LSTM网络,进行多次实验,实验结果表明,CNN-Inception-Bi LSTM模型相对于其他模型取得了较好的分类效果。(2)构建Text RCNN-Text CNN文本情感分类模型,先通过Text RCNN提取文本的上下文语义特征;再利用Text CNN模型提取文本的局部特征,同时在Text CNN中加入K-Max Pooling,选择文本序列中的前k个最大值,提取句子中的多个重要信息,最后使用残差网络融合Text RCNN和Text CNN。在imdb影评数据集和toxic comment评论数据集上的实验表明:Text RCNN-Text CNN模型取得了较好的分类效果,准确率达到了0.9839和0.8906。