随着互联网上文本数据的爆发式增长,文本情感分析就显得越发关键。通过对网络上的文本进行情感分析,可以进行舆情分析,趋势预测等工作。尤其对商品评论信息进行挖掘,有利于商家及时的调整销售策略,买家买到更实惠的商品。针对文本情感分析任务,本次实验进行的具体工作如下:在情感词典的构建问题中,研究了使用改进的SO-PMI算法自动构建电商评论文本领域情感词典。首先使用TF-IDF算法过滤低频词与非情感词。然后用包含词语的文本中积极倾向的概率与整个文本数据集中积极倾向文本的概率的比值作为该词语的积极情感的PMI值,同理求得词语消极情感的PMI值,两个值做差再乘上词频的开方便求得词语的SO-PMI值。根据所得SO-PMI值筛选完成情感词典的自动构建。将情感词典中的情感信息加入到词向量中,得到情感词向量。使用多种神经网络模型验证情感词向量的有效性,使用情感词向量训练的卷积神经网络模型准确率是90.13%,使用普通词向量训练的模型准确率是88.88%,验证了情感词向量在文本情感分析任务中的优势以及情感词典的有效性。在深度学习模型构建工作中,先使用卷积神经网络模型完成对模型参数的确定工作。在此基础上,构建了双通道卷积神经网络模型,并在模型中加入GRU和注意力机制等用以增强模型的情感分类效果。实验结果表明双通道卷积神经网络+双向GRU+注意力机制的深度学习网络模型的准确率达到96.62%,比卷积神经网络模型高6.49%,比双向LSTM网络模型高4.08%。