随着互联网的迅猛发展,电子商务和社交平台上产生和积累了大量的用户自创性文本信息(User Generated Content,UGC)。高效地分析处理、挖掘UGC文本数据,可以很大程度地帮助企业或商家进行产品反馈和调研,具有极大的商业和学术价值。目前有关细粒度多标签情感分析方向的研究工作相对较少,并具有较多难点。本文提出了基于循环神经网络的层次化多输入输出情感分类模型(Hierarchical Multi-Input and Output Model,-HMIO).,同时考虑文本的语义和语法信息,并引入辅助标签以提升网络层权重的学习能力。此外,受Hinge损失函数的启发,本文提出了松弛性间隔损失函数(Relax Margin Loss,RMG),有效地减少多标签模型的过拟合问题。在特征表示层,本文创新性地提出了基于词性的word-POS注意力机制,充分利用文本情感表达的词性信息。同时,基于词性的注意力机制更容易捕捉情感词组合的语义表达,帮助模型更快地收敛到较高水平。实验结果验证了HMIO层次模型和word-POS注意力机制的有效性。本文改进了C&W词向量模型,提出了融合情感词典的情感极化词向量学习模型(Sentiment-Polarized Word Embedding,SPWE)。作为弱监督模型,SPWE模型能够更好地差异化相同词法下情感词的向量表示,且更容易扩展到大规模语料上进行词向量学习。实验结果表明,SPWE学习词向量结果能够更好地提升情感分类模型的性能。