随着社交媒体的不断发展,自然语言处理领域中的情感分析正逐渐成为当下的热门研究方向。同时伴随着深度学习的兴起,基于神经网络的词向量表示方法应运而生,并在情感分析领域崭露头角。现阶段,Word2Vec模型已成为主流的词向量表示方法。Word2 Vec模型基于随机的初始化词向量连续优化迭代,最终获得性能稳定的词向量表示。但若目标为获得语句向量,还需进行加权处理。因此,本文在对初始化词向量的表示技术及通过词向量加权求解语句向量进行系统总结分析之后,提出相应的改进方法。首先,本文基于Word2Vec模型改进了其词向量的初始化算法。在原有的随机产生词向量的基础上加入词语的词频信息,改变初始词向量的分布特征从而强化词向量的性能。在用户评论数据集的对比实验中,改进后模型的情感极性分类准确率较原模型有着1%至5%的提升。其次,由词向量得到语句向量需要施加有效的加权方法,目前存在例如词向量求取平均值、TFIDF等加权方法。为比较各加权方法之间的性能差异,本文提出基于情感词汇的加权方法,依据情感词汇的极性大小赋予其相应权重。在对多种加权方法进行验证后,结果表明基于情感词汇的加权方法具有较高的分类准确率,尤其在英文语料库中效果提升明显。最后,本文将这些方法应用于现实场景中以进一步验证其有效性。即通过对厦门市各种类型酒店评论文本的分析,探究影响用户满意度的因素,从而为酒店经营者提供有价值的建议。