随着互联网技术和社交网络的飞速发展,微博用户的数量也在日益增加。在大数据时代,通过人工智能技术挖掘网络文本的情感倾向不仅有助于及时了解网络舆情,而且对完善微博产品体验,提高对用户个人情感状况的关注有着极大的作用。情感分析技术作为人工智能技术的一部分,其研究对于获得用户博文的情感趋势具有重要意义。在目前的大部分研究中,往往把文本的情感倾向分为两类(正面情感和负面情感)或三类(正面情感、中性情感和负面情感),缺乏对用户负面情感的关注。因此针对文本的负面情感分类任务,本文主要做了以下工作:(1)本文采用一种基于注意机制的双向长短期记忆网络模型。为了验证双向长短期记忆网络模型在负面情感多分类任务中捕获上下文信息的有效性,在相同条件下,将循环神经网络(Recurrent Neural Network,RNN),递归神经网络(Recursive Neural Network,RecNN),长短期记忆网络(LSTM,Long Short-Term Memory),门控循环单元(Gated Recurrent Unit,GRU),双向门控循环单元(Bi-directional Gated Recurrent Unit,BiGRU)和双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)对负面情感的分类效果进行了对比。实验结果表明BiLSTM模型有更高的准确率,并且不同负面情感的F1值均高过其他模型,说明该模型能够有效地提取上下信息,针对不同负面情感能够作出有效的预测。(2)由于在本文的研究中侧重于文本中的负面情感,同时为了进一步提高对负面情感分类的准确性,因此,本文对注意机制进行了分析研究。通过将注意机制与BiLSTM进行融合的对比实验,发现相比未融合注意机制的BiLSTM模型,准确性得到了较大幅度的提高,其中基于自注意机制的BiLSTM模型的准确率最高,达到了82.4%,并且对不同负面情感的甄别也更加准确。说明在针对负面情感的分析任务中,结合注意机制后,能够显著提高深度学习网络的表现。(3)为了探索在上述工作中表现最好的基于自注意机制的双向长短期记忆网络模型在不同数据集上的表现,本文设置了开放性测试实验,在模型参数不做调整的情况下,使用额外数据集进行了测试。从实验结果看出,分类的准确性仍保持在较高的水平,说明该模型具有较好的适用性和健壮性。