1.1研究背景及意义

随着互联网技术的快速发展以及互联网基础设施建设不断优化升级，互联网技术已经覆盖出行、购物、娱乐、学习、环保、金融、医疗、家电等多个行业，互联网服务呈现智慧化和精细化特点。据《中国互联网络发展状况统计报告》统计显示，截至2018年12月，我国网民规模达8.29亿，互联网普及率为59.6%。全国各地的互联网用户在网上选购商品、发表评论并在社交媒体上发布个人想法等等。

电商平台涉及网购、出行等生活的多个方面，这些网络应用均具有买家评论功能。而当今，网络购物时，顾客的购买意愿以及对商品质量的判断绝大多数基于销量和评论，因此，准确、及时地分析用户评论数据能够帮助顾客尽快做出判断，并能帮助商家有效提升产品质量、改进营销策略。

网络社交媒体发展快速，涌现出了诸如论坛、贴吧、公众号、微博等新型社交平台。网民在各类平台上发表对公共事件的看法、对艺术作品进行点评、发表个人想法等。政府工作人员也越来越关注大家对公共事件或新闻事件的看法，这不仅能了解民众的意向，更为制定更好的政策或改善政府服务提供了参考。但是当新闻事件发生后，随着时间的传播，评论会呈爆炸式急剧增长，如何快速有效的分析评论数据，具有十分重要的意义。

人工进行问卷调查分析、阅读评论等传统的方式已远远不能适应大数据时代爆炸式增长的信息，难以满足市场需求，如果使用计算机和互联网技术对自动分析评论数据、收集公众意见，便能快速处理数据，节省大量人力物力和社会资源。基于此，更多的人开始研究如何利用自然语言处理技术自动分析网络上大量的文本信息，并挖掘其中所包含的情感倾向。

文本情感分析目前已发展成为自然语言处理（NLP）最重要的研究领域之一。主要任务是对带有一定主观感情色彩的文本等进行识别、分析、归类等，可大致归纳为词语、句子、篇章三个层次^[1]。主要是对文本的主客观、褒贬倾向、情感丰富度等进行分类。通过情感分析，我们可以发掘出人们的观点、评估、情绪或者对某一类事物的态度等。由于互联网上海量的主观性文本快速增长，越来越多的研究开始从简单的词语级转向较为复杂的篇章级。

文本情感分析涉及到文本识别、数据分析、语言处理等多个研究领域，面对海量的文本信息，高效而准确地分析文本情感具有很大的现实意义和学术价值。目前文本情感分析已广泛应用于机器翻译、智能客服等多个领域。

1.2国内外研究现状

互联网上具有海量的文本信息，其中具有主观感情色彩的文本信息对企业、政府、买家、卖家等多个社会群体具有十分重要的影响，如何及时有效地处理信息在实际生活中以及科学研究中具有重大意义。结合近年来智能化信息化的时代特色，采用计算机、互联网技术处理这些文本信息引起了社会各方的广泛关注，不少学者对此进行了深入研究。

文本情感分析的概念由Bo Pang^[2]等人于2002年提出，随后，该领域研究发展迅速。目前，针对文本情感分类的研究方法主要可分为情感词典法和机器学习法^[3]。2010年，赵妍妍等人^［4］对前人的工作进行归纳总结，将文本情感分析的任务分为三步，即情感信息抽取、分类、检索与归纳。并指出了文本分析研究领域值得探索和进一步挖掘的研究点，对后续研究工作的开展具有较大的指导意义。2011年，Thelwall^［5］等通过对Twitter数据集进行研究，提出流行事件通常与情绪强度的增加相关。2013年，Liu等^［6］提出了一种自适应的多类SVM方法，该模型主题用自适应分类器替换初始公共情感分类器，通过三个步骤交替来建立该模型：优化、无标签数据选择和自适应特征扩展，有效解决了twitter中主题多样化的问题。2015年，梁军等^[7]构建了树形结构的LSTM-RNN模型，随后为了充分利用上下文，捕获文本更深层次的语义信息，融合了情感极性转移模型，在之前基础上构建出了PLSTM-RNN模型，更好地实现对文本进行情感分析。2018年，冯兴杰等^［8］提出基于CNN和Attention模型相结合进行文本情感分析的方法，以减少对手动建立情感词典的依赖，减少人工干预。2018年，王伟等^[9]将BiGRU与注意力机制相结合的情感分类模型，一定程度上提升了模型性能，改善BiLSTM不能充分学习文本上下文信息的问题。