张 腾，刘新亮,3，高彦平*

(1.北京工商大学计算机与信息工程学院，北京 100048;2.农产品质量安全追溯技术及应用国家工程实验室，北京 100048;3.中国农业大学信息与电气工程学院，北京 100083)

随着互联网的高速发展，越来越多的用户通过社交媒体表达自己的观点、抒发自己的情感评论，其中大多数评论以短文本的形式存在。热点事件会引起社会的广泛关注讨论，所以及时掌握舆情、获取用户情感倾向是一个极具挑战性的任务。

情感分析通过对文本的预处理，分析和挖掘用户的情感倾向，可以了解大众对热点事件的情感变化，也是自然语言处理的重要方向之一。情感分析研究方法主要分为基于构建情感词典的词典方法[1]，基于规则融合的机器学习方法[2]和深度学习方法。基于构建情感词典的词典方法主要依赖于词典的构建与选择判断句子情感极性，不同的词语有着不用的情感积分，对句子情感分类的贡献度不同，但因其领域适应性较差，通常作为辅助方法。基于机器学习的方法依赖选取有效特征组合，利用分类器进行情感分类，但这种方法需要大量人工标注数据集来训练模型，费时费力。基于深度学习的方法，可以挖掘深层的情感信息，Jeffrey于20世纪90年代提出了循环神经网络(recurrent neural network,RNN)[3]，该网络处理时序性数据效果显著，但是会出现特征梯度消失或爆炸问题。Hochreiter等[4]提出了长短时记忆网络(long short-term memory，LSTM)，该网络通过加入输入门、遗忘门和输出门，改善了循环神经网络梯度消失或梯度爆炸问题，但结构复杂运算量过大。……