基于神经语言模型的词向量表示技术能够从大规模的未标注文本数据集中自动学习词语的有效特征表 示，已经在许多自然语言处理任务及研究中取得重要进展．微博中的表情符号是微博情感分析最重要的特征之一， 已有大量的研究工作在探索有效地利用表情符号来提升微博情感分类效果．借助词向量表示技术，为常用表情符 号构建情感空间的特征表示矩阵ＲＥ；基于向量的语义合成计算原理，通过矩阵ＲＥ 与词向量的乘积运算完成词义 到情感空间的映射；接着输入到一个ＭＣＮＮ（Ｍｕｌｔｉ－ｃｈａｎｎｅｌ　Ｃｏｎｖｏｌｕｔｉｏｎ　Ｎｅｕｒ

为了将情感信息融入到词向量中，本文第一部分工作提出了两个情感词向量 学习框架，即，基于谷歌提出的Ｓｋｉｐ－ｇｒａｍ模型的框架和基于卷积神经网络模型 的框架。在每个框架中，根据情感和语义信息融合策略的不同，我们又分别提出 Ｈ个具体模型。为了验证学习得到的情感词向量是否包含语义和情感信息，本文 分别在不同语言、不同领域的多个数据集下进行了大量定性和定量的比较实验。 这部分相关工作分别发表在２０１５年ＩＡＬＰ会议和２０１６年ＩＪＣＮＮ会议

自然语言处理（简称NLP），是研究计算机处理人类语言的一门技术，NLP技术让计算机可以基于一组技术和理论，分析、理解人类的沟通内容。传统的自然语言处理方法涉及到了很多语言学本身的知识，而深度学习，是表征学习（representationlearning）的一种方法，在机器翻译、自动问答、文本分类、情感分析、信息抽取、序列标注、语法解析等领域都有广泛的应用。2013年末谷歌发布的word2vec工具，将一个词表示为词向量，将文字数字化，有效地应用于文本分析。2016年谷歌开源自动生成文本摘要模型及