当今社会,随着“互联网+教育”模式的兴起,在线课程平台拥有了越来越多的用户,随之而来的就是产生了大量的课程评论数据。通过对在线课程评论分析和研究,能在其中了解到用户最真实的情感和想法。在线课程评论分析可以对平台用户进行快速精准推课、反馈授课者课程教学质量、平台持续性发展有着重要作用,因此对在线课程评论分析的研究和探讨变得十分有意义。虽然现在各个领域的文本情感分析得到快速发展,不能很好的适用于在线课程评论情感分析,主要有以下几点问题:1.在线课程评论具有数据量大、评论无固定格式、更新快、一词多义等特点,目前情感分析模型不能很好的适用于在线课程评论;2.传统模型结构简单,在进行评论信息的词向量训练时,容易丢失评论信息原有的语义,致使最终在线课程评论情感分析结果不准确;3.现有的主题情感分析模型,不能很好地考虑在线课程评论文本的特殊性,以及挖掘出的主题词覆盖面不大。因此,本文为了解决这个问题做了以下几点工作:一、针对评论信息语义丢失问题,本文设计了一种基于ALBERT-Bi-LSTM的在线课程评论情感分析模型。首先,利用ALBERT动态生成词向量同时融入局部语义信息;然后,通过Bi-LSTM捕获前序和后序的全局语义信息向量,融入注意机制,判断不同词语所在句子不同权重;最后,输入softmax进行情感倾向分类结果输出。最终本文在真实的在线课程评论上进行实验,实验结果表明,所设计模型针对在线课程评论情感分析上具有较大价值。二、针对抽取在线课程评论的主题情感需要具有一定的覆盖性以及代表性,因此本文选择采用LDA主题模型,它能把看似没有任何关系的词语,通过潜藏的主题关系进行关联,从而分析潜在主题情感,挖掘出的主题更具有覆盖性,由于它使用的是词袋模型,该过程不能考虑词语之间的顺序问题,为了解决以上问题,本文在LDA主题模型的基础上融入TextRank算法。TextRank算法构建课程评论网络节点图,抽取文本顺序信息和语义信息,因此将主题模型与TextRank算法相结合用于主题情感分析。最后本文在真实的在线课程评论数据集上进行实验,结果表明,该方法具有可行性以及相对传统机器学习和一些深度学习方法而言更具有优越性。