随着网络技术的高速发展,各类在线式社交平台已经成为人们交流和获取信息的首要选择。与传统的交流方式相比,现在人们可以在短时间内尽情的分享自己的想法,这一现象也导致网络数据的日益激增。对用户生成的网络评论进行情感分析可以应用于商品的性能分析与产品优化方面,具有很高的研究价值。但传统的基于情感词典或机器学习的方法展开的情感研究存在一定限制,前者依靠词典质量,后者依赖优质数据,都已经无法满足对海量数据进行情感分析的需求。当下深度学习的情感分析方法能够从大规模的文本数据中自动提取相关特征,更加容易地抽取深层次的语义信息,但深度学习方法中词向量表示和神经网络特征抓取过程中仍然存在自身的局限性,本文针对深度学习方法在情感分析中向量表示与情感分类模型的构建问题展开研究,具体工作如下:首先,在数据的词向量转化方面,针对传统词向量转化模型缺乏对文本单词权重的区分能力的问题,本文利用TF-IDF算法来评估词汇在文本的重要程度,并对其在同类语料库权重失衡问题进行改进,使之与主流的Word2vec词向量转化模型相结合提升关键词向量权重。同时,针对传统单一文本表示的向量矩阵表达情感信息不够充分的问题,本文提出了一种多特征融合的方法,将词性特征和文本特征进行融合,解决文本中一词多义的问题,并将表情符号融入其中构建多特征向量矩阵,使情感信息表示更加丰富。其次,在深度学习的情感分析模型搭建方面,针对传统CNN网络缺乏对句中结构与不同情感倾向的判断问题,本文利用语句结构特点,引入转折词表提出分段卷积层并根据句子具有不同的结构特征对池化层进行改进。同时针对传统的LSTM网络易受填充字符的干扰问题,本文提出掩码矩阵根据公式对输入数据的当前神经元状态进行重新定义消除干扰,并配合引入位置特征的注意力机制进行优化权重配比。然后本文将改进后的两种模型的优势相结合,提出了Conv Bi LSTM-ATT情感分析模型,并在公开数据集中证实了该模型的有效性。最后,本文基于向量转化与情感分析技术搭建了一个完整的情感分析系统,设计了系统的总体框架和基于本文提出算法的核心功能模块,并在页面交互的基础上结合了智能机器人NAO完成人机对话情感交互过程,使理论与实践紧密结合。