何 野，杨会成，潘 玥，徐姝琪

(安徽工程大学 电气工程学院，安徽 芜湖 241004)

0 引言

随着电子产品及互联网技术的不断进步与革新，包含人们情感评论的大量文本信息已经出现在网络平台上．在自然语言处理(NLP)领域中，寻找一种有效的数据挖掘和分析方法是一项非常重要的研究，这被称为文本情感分析[1]．文本情感分析主要包括文本分类、信息提取和文本生成技术，情感分析是一个过程，用于识别和分类意见、观点(从文本到特定主题或产品)．这些评估可以是正面、负面或中立的．分析可以在文档级别、句子级别或单词级别执行．目前，基于统计机器学习的情感分析在各种应用中都取得了良好的效果．然而，机器学习方法中使用的函数非常简单，这可能导致它们在处理复杂分类问题时对新的模型的适应能力较差，并且在样本和计算单位比较少的情况下，表达复杂函数的能力在一定程度上受到限制．

历年来，情感分类方法发生了许多变化，最早是基于初始情感词典的方法， Bengio等[2]最早使用神经网络构建语言模型．Mikolov等[3-4]于2013 年提出了 Word2Vec 技术，推动了词向量的快速发展．然后再到机器学习方法，例如支持向量机(SVM)[5]、朴素贝叶斯(NB)、决策树、逻辑回归等．尽管某些机器学习方法可以在某些任务上取得良好的结果，但是由于特征工程的复杂性，这些方法的效果非常依赖于特征表示，并且难以获得可接受的分类结果．随着人们对深度学习算法的进一步研……