随着互联网技术的飞速发展,基于互联网的电商平台如雨后春笋般涌现,用户在这些平台上发表意见、抒发个人情感已经成为一种习惯,海量的评论数据随之产生,发掘出用户的情感倾向已经成为产品售后信息反馈的重要途径。目前文本情感分析任务中研究的对象主要是微博评论、电影影评、电商评论,针对线上课程评论进行情感分析的相对较少。但是线上教学已经成为我国中小学教育和普通高等院校教学中的重要组成部分,针对线上课程评论进行情感分析,可以了解学生对课程的评价进而分析出学生的需求,从而更好地为老师提供个性化导学,同时还可以帮助学生选择最适合自己的课程。因此将线上课程评论作为情感分析任务的研究对象对教育事业的发展能发挥一定的促进作用。深度学习是目前情感分析任务中的主流方法,常用的有卷积神经网络（Convolutional Neural Network（简称 CNN））、循环神经网络（Recurrent Neural Network（简称 RNN））、双向长短期记忆网络算法（Bidirectional Long Short-Term Memory network（简称Bi-LSTM））,但这些算法存在着以下不足:1.在词向量的转换上不能解决一词多义的问题,导致算法最终精确率不高;2.在特征学习网络的设计上采用的结构比较单一,导致提取出的特征不全面;3.缺乏对不同特征重要性的区分。本文针对以上问题设计了一个新的情感分析模型,新模型是在深度学习技术的基础上,研究了目前流行的情感分析算法,再针对线上课程评论这个特定的研究对象对相关算法进行改进,使改进后的算法在进行情感分析任务时主要性能有所提高,本文的主要工作如下:（1）本文对CNN和Bi-LSTM网络进行了研究,发现CNN在特征学习方面有出众的表现,但是因为该算法在文本分析中不能结合上下文的信息,导致最终的结果不是很理想;Bi-LSTM网络在分析目标词时可以将上下文的信息联系起来,但是该网络是按文本的序列顺序处理语句,得到的是全局的语义信息,挖掘更高级特征的能力远不及卷积神经网络。本文希望设计出一种能够将以上两种网络的优点相结合特征提取网络,用以提高特征的广度。为此首先提出了 CBi-LSTM模型,该模型中将Bi-LSTM和CNN网络通过串联的方式相连接,用以挖掘更高级的特征。经实验验证,该模型没有达到预期效果,分析总结原因后,提出了 CNN-Bi-LSTM模型。CNN-Bi-LSTM模型采用的是并联的方式,让两个网络分别进行特征学习,再将输出的结果相结合,提高特征学习的广度。经实验验证该模型的F1值是明显高于CNN网络和Bi-LSTM网络,验证了该模型的有效性。（2）本文采用的数据集是从中国大学MOOC（慕课）国家精品课程在线学习平台上获取,通过研究发现这些评论普遍比较简短,言语表达上偏口语化、年轻化,所用的词语中常常出现一词多义的现象。普通的情感分析任务中常常通过Word2Vec进行训练、学习得到词向量,但是经过Word2Vec模型得到的是词语的静态表示法,不能解决一词多义的问题。为了使本文的数据集在词向量的表示上准确度更高,本文利用Bert语言预训练模型进行词向量的训练,实现词语的向量表示。（3）本文为了提高带有极大情感倾向的特征在句子中的权重,在前面提出的CNN-Bi-LSTM模型的基础上引入了注意力机制,并将其放在卷积神经网络和双向长短期记忆网络特定的位置,让特征提取网络在进行特征学习的同时还能根据其重要性重新调整权重。实验结果表明改进后的Bi-LSTMA-CNNA模型在线上课程评论的情感分析任务中具有较好的分类效果。本文提出的Bi-LSTMA-CNNA算法模型在对线上课程评论进行情感分析任务时,性能上较于传统算法有了一定的提升,为线上教育平台收集用户反馈,提升课程质量提供了有效的技术支持。