文本情感分析(Text Sentiment Analysis),也称为观点挖掘(Opinion Mining),是对文本中的主观信息(比如观点、情感等)进行分析与挖掘的一项研究,它主要包括三个阶段的子任务:主客观文本分类、情感信息的抽取和情感分类。其中情感分类是指对文本中所表达的情感进行分类,它可分为文档级别、句子级别和细粒度三个层次的研究。本文主要针对细粒度情感分类问题进行研究,即:给定一个句子和句子中出现的某一个特定的目标,分析句子在给定目标上所表达的情感倾向性。对于细粒度情感分类任务,现有方法大多采用的是基于循环神经网络加注意力机制的方法。但是循环神经网络不可并行化运行,训练时间过长;且在应用注意力机制的过程中容易引入噪音,从而影响分类准确率。另一方面,由于卷积神经网络的特性,目前的基于卷积神经网络的方法在处理长且复杂的序列文本时不能很好地捕获句子与特定目标之间的联系。为了解决上述问题,本文提出从广度和深度两个方面来对传统的卷积神经网络进行改进,使其更好地适用于细粒度情感分类任务。本文的工作主要包括以下几个方面:(1).对比分析循环神经网络和卷积神经网络在处理细粒度情感分类问题时的优劣,考虑到传统的基于卷积神经网络的方法在处理长且复杂的序列文本时的局限性,提出从广度和深度两个方面对其进行改进,使其更好地适用于细粒度情感分类任务。(2).从广度上对传统的基于卷积神经网络的模型进行改进,提出了一种基于门控机制的双向卷积神经网络模型,该模型大大缩短了句子的有效长度,从而能更有效地发挥卷积神经网络的特性,提取关于特定目标词的情感特征。实验结果表明了该模型在细粒度情感分类任务中的有效性。(3).从深度上对传统的基于卷积神经网络的模型进行改进,提出了一种位置感知的多粒度卷积记忆网络模型,该模型将记忆网络引入到卷积神经网络模型中,并通过对多层卷积操作来学习句子在不同粒度上关于特定目标的表示,解决了卷积神经网络存在的长期记忆困难的问题。实验结果表明了该模型在细粒度情感分类任务中的有效性。