情感分析是自然语言处理中的基本任务,属于文本意见挖掘范畴,是指对文本数据进行清洗、处理、提取相关特征并计算判断文本蕴含的情感倾向,为各项决策提供依据,被广泛应用在舆情分析、经济发展、法制建设和推荐系统等方面。大量学者对情感分析任务展开研究,已经取得了一定的成果,但仍存在一些挑战。如静态词嵌入方式由于一词多义问题致使提取的特征存在偏差;传统的卷积、循环结构的深度学习网络无法对文本整体进行处理导致特征提取不充分;现有情感分析算法多数仅使用单一词向量作为输入,提取的特征单一,导致分类结果过度依赖词向量等等。针对上述问题,本文主要研究内容包括:1.针对目前深度学习算法常以静态词嵌入技术进行文本向量化,无法解决一词多义现象使得文本情感特征提取存在偏差的问题,提出了改进的ELMo（Embedding from Language Model）语言模型实现词嵌入,并结合双向长短期记忆网络的情感分析算法,ELMo语言模型能够生成融合词义、句法和语义的词向量,通过双向长短期记忆网络提取词的上下文特征,提高了中文文本情感分析算法的分类准确度。2.针对卷积神经网络在提取文本特征时的局限性以及双向长短期记忆网络耗时较多且特征提取不全面的问题,提出使用融合相对位置编码的双向自注意力网络进行情感分析。该网络任意词之间直线连接,能够很好的提取文本的长期依赖关系并且速度更快;每一词都能从上下文的所有词中提取特征,并能自适应的学习到对于情感倾向性判断更为关键的特征;同时,引入相对位置编码弥补自注意力机制无法学习序列特征的不足。对比实验结果表明所提算法的可行性和有效性。3.针对现有深度学习算法仅使用单一词向量作为输入,特征提取时过度依赖词向量的不足,引入词性、情感词典先验知识以丰富文本特征,使用自注意力机制编码词性、情感词典特征,通过门控单元与研究内容2中的词向量特征进行融合,突出情感特征,降低噪声影响。实验结果表明引入情感先验知识丰富文本特征的方法是有效的,进一步提升了情感分类的精度。