随着网民参与度的提高,网络中的用户生成文本也随之增多,分析文本的情感倾向,可以了解产品的好坏,也可以获取公众对热点事件的舆情走向......所以,面向汉语的情感极性分类任务至关重要。本文将在酒店和手机两个领域构建语料库,探究汉语情感极性分类任务。本文的工作将从以下几个方面展开:隐式特征的情感计算:本文提出CNN-Bi LSTM混合模型,利用动态情感计算方法计算候选情感词之间的语义相似度,对无明显特征的句子单独计算。实验结果表明,通过单独处理隐式特征,使得整体的性能有很大的提升。此外,对比Word2vec和Elmo训练词向量的性能差异。多特征融合方法:将属性情感和篇章情感分别作为特征,融入到情感极性分类任务中,探究不同的特征质量以及不同的特征融合方式对本实验的影响,并验证了早融合和晚融合方法的不同。实验表明,融入属性情感和篇章情感作为特征,均使模型有一定程度上的性能提升。多粒度联合模型:分别从词语、短语和句子三个粒度计算其情感强度,然后将各个粒度的情感强度结合到一起,本文探讨了两种不同的情感强度结合方法。和单一粒度的情感极性分类方法相比,多粒度联合模型更好的考虑了不同粒度之间的关系,解决了上下文情感不一致的问题。