情感分类任务需要捕获文本中的情感特征，利用重要的局部特征构建文本的特征表示。卷积神经网络(convolutional neural networks，CNN)已经被证明拥有出色的特征学习能力，但是该模型无法判别输入文本中特征词与情感的相关性，卷积层缺乏对单一词特征的提取。基于目前运用非常成功的注意力模型，该文提出一种基于词注意力的卷积神经网络模型(word attention-based convolutional neural networks，WACNN)。相比于卷积神经网络，该模型以篇章的文本信息作为输入，首先在词嵌入层之后增加注意力机制层，获取重要的局部特征词，使模型有选择地进行特征提取；然后在卷积层中增加大小为1的卷积核，提取单一词的特征；最后该方法对输入文本进行适当的文本填充，保证每个词都存在上下文信息，使模型有效提取到每个词的n-grams局部特征，避免卷积处理过程中局部信息的丢失。该模型在MR5K和CR数据集上进行验证，较普通卷积神经网络和传统机器学习方法，在准确率上分别取得0.5%和2%的提升。