当前使用神经网络对文本类数据进行语句级用户情绪预测的模型,大多采用将一整条文本数据转换为词向量形式后作为训练神经网络模型的特征,将该条文本数据对应的情绪类别作为标签这样的处理方式。虽然有些采用了长短期记忆(Long-Short Term Memory,LSTM)、门控制单元(Gated Recurrent Unit,GRU)等形式的神经网络模型将文本数据中前后位置有差距的单词关联在一起,使模型在处理文本数据时具有“记忆”功能,但文本数据中前后位置差距大的单词之间仍然存在弱关联,导致单词不能完全表示出其在文本数据中的信息。而且,由于文本数据中存在某些通用性、模糊性的单词,这些单词使文本数据的信息不能表示的十分具体、明确,所以若直接使用用户文本数据进行情绪预测,预测结果难免产生偏差。但是,在采集数据集时,采集到的文本数据往往存在其语义环境,若能够将采集到的文本数据置入其中,文本数据中的单词的意义将更加具体、明确。但目前大多数的文本类数据情绪预测模型没有将文本的语义环境考虑在内。为解决上述问题,本文为文本数据构建表示其语义关联的图模型。本文构建的图模型有两种,分别是依据文本数据集构建的语义环境图模型和依据单独一条文本数据构建的文本图模型,两种模型都是以单词作为顶点,以单词间的关联作为边的权重。这两种图模型经文本语义注入模型,通过语义环境图模型将文本图模型中的单词意义具体化。在构建文本图模型的过程中,文本数据中的不同单词会被直接关联起来,文本上下文弱关联的问题会得到有效的解决。在文本图模型和语义环境图模型结合的过程中,文本数据会被置入其语义环境中,语义环境缺失的问题得到有效的解决。之后,将单词意义具体化后的文本图模型作为特征,文本图模型对应文本数据的情绪类别作为标签训练卷积神经网络(Convolutional Neural Network,CNN)模型。CNN模型训练完成之后就能够根据用户的文本数据准确的预测用户的情绪。为评估使用图模型训练CNN模型的有效性及稳定性,本文搭建CNN模型并使用图模型进行训练,统计实验结果,从不同方面分析模型的性能。同时,为了与词向量训练的神经网络模型进行对比,本文还另外搭建了CNN模型和循环神经网络(Recurrent Neural Network,RNN)模型并分别使用词向量进行训练。三种实验模型使用相同的训练数据集和测试数据集,统计实验结果,对比分析三种模型在进行文本情绪预测任务时的性能优劣。三种实验模型的对比结果显示,使用图模型训练的CNN模型在进行文本情绪预测任务时,其准确率较使用词向量训练的CNN模型和RNN模型有所提升,但训练代价更大。