对话文本情感分析研究是自然语言处理的一个研究方向,该任务通过计算文本中蕴含的情感特征,得出文本中蕴含的情感倾向。区别于传统情感计算任务,对话文本存在信息的交互,需在分析用户情感倾向的基础上,研究用户之间情感的变化与影响,存在较多技术难点。本课题基于对话文本构建了情感分类模型,实现交互式文本的情感分类任务,主要完成以下四点工作内容:(1)提出了字符级OOV解决方案,该方案在文本预处理阶段解决了未登录词对构建语料词表的影响。本课题从语料分析和文本向量化角度进行输入语料的处理,构建俚语替换词表、表情替换表、语料词汇表等辅助词表,使用字符级OOV解决方案对文本进行细粒度切分,保留语料的原始信息。并利用word2vec模型对词向量与表情向量进行领域训练,得到适应本课题的向量化文本表示。(2)提出了多维度特征提取模型(Multi-Dimensional Feature Extraction Model,MDFE模型),实现时间维度与空间维度的对话文本情感特征提取。MDFE模型引入注意力机制,在时间维度模拟对话文本生成过程,捕捉用户交流过程中的情感变化;在空间维度利用卷积操作提取文本的结构特征,并借鉴注意力打分机制对时间、空间维度的特征进行筛选,实现多维度情感特征融合。(3)提出了层级化多情感分类模型(Hierarchical Multi-Class Classification Model,HMCC模型),完成了对话文本的情感类别预测。HMCC模型构建了“二分类->多分类”的层级化分类体系,解决数据分布不均造成的模型过拟合问题。创新地提出融合损失函数(Fusion Multi-Class Loss Function,FMC 损失),改进多分类模型的损失计算方法,从而提升分类模型的类别判断结果与计算效率。(4)结合上述三种模型,设计并实现了对话文本情感分类系统。该系统包括文本预处理、情感特征提取、情感类别判断三个模块,实现对话文本情感分类的功能;搭建了可视化系统界面,实现对话文本情感分类系统与用户的信息交流,直观的展示了本系统的功能。