1．目的及意义

随着计算机科学的蓬勃发展，Web2.0 时代也已经到来，所谓 Web2.0，就是摒弃以往的中心节点产生大量信息资源对用户进行单项输出的模式，而是由用户产生的信息资源为主导，形成全新的互联网内容交互模式，用户在浏览内容的同时也制造内容，这使得互联网信息内容呈现几何级的增长。用户产生的信息主要有文字，图片，视频等形式，其中文字又是最简单直接的信息来源，其内容覆盖广泛，产生的数据量十分庞大.而且语言文字是同历史文化的发展紧密结合在一起的，具有非常大的非规则性与不确定性，如何处理好互联网用户产生的文字内容，人类如何用自然语言与机器实现真正的人机交互，这是 Web2.0 时代亟待解决的问题，也是文本分析领域需要实现的最终目标。近年来移动互联网用户自发产生了海量的有价值的评论信息，这些信息无论是在商业领域还是在学术领域都具有非常巨大的挖掘价值，但同时这些评论信息也具有表现形式多元化，数量巨大等特征，而且随着互联网的发展，这类信息的数量也随之高速增长，这些特点给利用计算机快速获取与整理分类这些信息带来了很大的难度，因此文本的情感分析技术应运而生。

文本情感分析是使用计算机技术，对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。按照研究手段的不同，情感分析可以分为语言学角度的情感分析，统计学角度的情感分析以及机器学习与深度学习方法的情感分析。同时对于不同的语言，也有一些针对不同语言特点的研究方法。总体而言，随着互联网中用户产生的评论文本数据越来越多，文本的情感分析也会起到越来越重要的作用，在对文本情感分析的研究中所使用的研究手段对于自然语言处理领域的其他问题也有很强的借鉴与参考意义。仅就目前而言，文本分析有以下几个重要的应用领域：

(1).用户评论分析与决策

对互联网上商品评价进行分析，帮助用户决策购买行为。

(2).网络舆情监控

对互联网上网民的观点进行分析，帮助决策者进行舆情分析与反馈。

(3).信息预测

根据互联网上实时的文本信息，预测事件即将发生的时间，金融市场变动等等。

文本情感分析研究的从 90 年代就已经开始，到现在随着电子商务的发展，文本情感分析越来越成为国内外研究的热点。近年来，多个国际顶级会议都有大量关于文本情感分析的文章发表。在国外的研究中，有一种模型使用情感词典中情感词、程度副词、否定词的情感倾向得分来给句子打分，最后综合得分来得到文本的情感倾向，还有使用用向量空间模型从文本中提取词性、位置信息等信息作为特征，采用了朴素贝叶斯、最大熵和支持向量机等三种机器学习方法进行情感倾向分析得出很好的效果。近年来，由于深度学习的研究的深入，将词向量与卷积神经网络结合应用在情感分析中，通过卷积神经网络提取文本词向量的特征进行对文本的情感分析，获得了非常好的效果。

中文文本的情感分析也遵从国外的研究特征，有在分析情感字典知网结构的基础上，利用义原之间的距离，然后再根据关键词以及依存句法分析来判断语句的情感极性，也有使用词向量和卷积神经网络的技术来分析文本，先将文本的词转化为向量，然后通过提取文本的向量的特征来提取文本的特征，取得了很好的结果。
国内外的情感分析的技术的研究的重点是建一个比较好可以自动扩充的情感词典以及更好的文本特征的选择方法。近年来，由于深度学习技术的迅猛发展，包括深度学习的平台如谷歌公司的Tensorflow、微软公司的CNTK、百度公司的PaddlePaddle 以及各种神经网络的语言模型的卷积神经网络、递归神经网络和长短期记忆网络的提出，深度学习技术已越来越成为各学者的研究热点。通过深度学习的方式来自动的学习、提取各种事物的特征显得极富吸引力。{title}

2. 研究的基本内容与方案

{title}

2.1基本内容