互联网技术的飞速发展造就了众多的网络信息平台,同时也大大降低了人们发布和接收信息的门槛。新浪微博(以下简称微博)是国内主要的舆论平台之一,承载了大量民众发布的信息,这些信息大部分都带有情感倾向,对微博热点话题文本进行处理进而分析、挖掘其中的情感倾向有利于政府单位或企业了解舆情走向,具有社会意义和商业意义。在大数据时代,基于情感词典和传统机器学习的文本情感分析方法显得效率低下,而基于深度学习的文本情感分析方法开始崭露头角,其中卷积神经网络(CNN)和长短时记忆神经网络(LSTM)以其各自的优势在文本情感分析领域成为主流方法。但目前普通的深度学习方法在处理文本任务上也存在着一些问题,例如无法关注到语句中各个词的重要程度和文本词量化表示的单一性等。针对这些问题,本文研究工作如下:1.通过结合CNN和BiLSTM在文本处理方面的优势构建了 ConvBiLSTM模型,该模型在卷积层和池化层能够发挥CNN对于文本语句深层抽象特征的提取优势,在双向长短时记忆网络层能够发挥BiLSTM在兼顾前后文信息的优势。通过实验表明,该模型在本文的数据集上相比CNN、LSTM、BiLSTM等模型在准确率和F1值上均有提升。2.针对文本词向量化表示单一性问题,本文提出了融合词性特征的词向量,在原始词向量的基础上融入各个词的词性特征,并将其作为文本情感分析模型的输入。通过对比实验结果表明,融合词性特征的词向量相比于原始词向量对情感分析模型的分类效果有着显著的提升。3.针对普通深度学习方法无法关注到语句中各个词重要程度的问题,本文通过引入自注意力机制构建了 ConvBiLSTM-SA模型,自注意力机制能够有效的关注到句子中各词对于整个句子的重要程度并给予不同权值。此外,自注意力机制相比传统的注意力机制有着不依赖外部信息的优点。通过对比实验也证明了引入了自注意力机制的该模型在分类准确率上优于无注意力机制和传统注意力机制的模型。