情感分析,也称意见挖掘,是指对一段文本的感情进行分类,并在此基础上对文义进行归纳和推理的过程,例如对某一电影评论或某一商品评价在感情上如积极、消极或中立等进行分类,以此对电影或商品的受欢迎程度进行分析。研究情感分析,对于个人,企业甚至是国家来说,都有着非常重要的意义。情感分析是一个有监督学习中的分类问题,同时也是一个序列建模的问题。但值得注意的是,目前国内外大部分情感分析方法在英文文本的应用上较为成熟和有效,而对于中文文本分析的相关应用研究相对较少。究其原因主要是中文文本的测评资源比较匮乏且杂乱;同时相较英文而言,中文因分词的复杂度高因而在处理上存在着巨大的挑战。因此,本课题将基于注意力机制建立一个针对中文情感分析的有效模型,着重研究中文文本的情感分析。本文通过对中文的情感分析数据集进行测试,探索并提出了一种不同于卷积神经网络或者循环神经网络的神经网络模块—SAE(自我注意力网络)。论文将介绍两种自我注意力的网络架构,称为SAE和SAE2。SAE是在SAN的工作上进行开发的,SAN的目标是创建最简单的SAN架构,使其可以与基本的循环神经网络和卷积神经网络架构进行比较。SAE2是我们SAE架构的扩展——在SAE的基础上使用了多头注意力机制,L2正则化,替换简单的池化操作。我们在5.2节中使用SAE2来获得情感分析数据集的更好结果。我们在四个情感分析数据集上对简单SAE、BiLSTM和BERT算法模型进行详细比较之后,发现SAE(自我注意力网络)能在中文数据集上实现获得比BiLSTM和BERT模型更高的分类准确度,同时其也比循环神经网络具有诸如更快的训练和推理时间、更少的训练参数等更好的模型特征。