随着社交网络的兴起, 更多人选择在网络上发表自己对影视作品的观点, 这为影视投资人了解观众对电影的反馈提供了更方便的途径. 例如, 豆瓣影评中包含了海量用户或积极或消极的情感观点, 而分析豆瓣影评的情感倾向能够辅助投资人进行决策, 提升作品质量. 大量数据分析必须借助计算机技术手段完成, 其中情感分析是自然语言处理(natural language processing, NLP)的一个方向, 常用来分析判断文本描述的情绪类型, 因此也被称为情感倾向分析. 为了提高影评情感分类的准确率, 设置了多组对比实验来选择最优参数, 比较了当以中文字符向量和词向量为输入矩阵时, 双向长短期记忆(bidirectional long short-term memory, Bi-LSTM)模型和卷积神经网络(convolutional neural network, CNN)模型对分类准确率的影响. 提出了一种以 CNN 模型为弱分类器的 Bagging 算法, 训练了多个 CNN 模型, 并采用投票法决定最终的分类结果. 这种集成的方法减少了单个模型造成的分类偏差, 比单一的 Bi-LSTM 模型的分类准确率提高了 5.10%, 比单一的 CNN 模型的分类准确率提高了 1.34%.