随着现代化技术的迅速发展,互联网已成为实现人们进行交流的最重要的一个途径。越来越多的互联网用户通过网络的途径来表达自己的观点和对周边发生事情的看法。例如用户从网络平台购买产品,并表达对产品的看法,或者政府发布一些政策,人们也可以通过网络来表达自己的观点。通过将这些数据收集、分析,获取民众的情感倾向性,这些情感倾向性数据有利于商家更好的去分配商品在市场上的比例,政府可以依据这些数据的合法性,去进一步完善政策内容并满足民众的实际需求。因此,研究文本的情感分析变得越来越重要。目前,情感分析主要应用于舆情分析、商家产品口碑等等方面。西藏作为中国著名的旅游胜地,每年都有很多来自中国内地的游客来西藏游玩以及品尝西藏本地的美食,因此研究内地游客对其旅游景点以及当地的饮食评价的情感分析是非常有价值的。深度学习是学习数据之间的关联性,并将这些信息应用到研究任务中,这些学习获取到的信息能够很好应用于语音、文字和图像等领域。目前深度学习方法在自然语言处理方面取得了非常不错的成果,因而受到越来越多人的青睐。相较于传统情感分析过于依赖人工建立的情感词典以及人工选择特征的弊端,尤其是大数据时代的来临,需要处理的数据规模越来越大,传统情感分析需要耗费大量的时间以及对文本分类的结果很难有进一步的提高,深度学习在这些方面上有很好的改善。本文分别研究了卷积神经网络(CNN)和双向长短期记忆网络(Bi-LSTM)的情感分析,并结合两者提出基于CNN+Bi-LSTM模型的情感分析方法。本文完成的主要研究内容如下:1)利用Python技术在互联网上收集有关西藏旅游业以及饮食业的评论文本,构建了20,000条数据集,分为积极情感语料13,000条和消极情感语料7,000条。2)采用Jieba分词系统对收集的数据进行分词,并结合Word2vec词向量技术中的CBOW按照一定的距离在这些词上滑动并训练得到每个词的词向量。3)在以上工作的基础上,提出基于Bi-LSTM模型的情感分析,实验结果表明有效提升了情感分类的准确度。4)为了进一步提高效果,将CNN提取文本词向量的关键信息与Bi-LSTM提取的文本时序序列特征相结合,提出CNN+Bi-LSTM模型的情感分析方法。5)分别验证了SVM、CNN、Bi-LSTM和CNN+Bi-LSTM模型,其中CNN+Bi-LSTM模型的准确率达到94%。