随着互联网技术的快速普及与发展,改变传统的独立、零散的信息发布方式是网络信息发展的必然趋势。微博凭借其信息发布门槛低、交互简便快捷、受众平民化的特点,几年之间迅速取代传统信息发布方式,成为日常人们获取信息、发表见解不可或缺的工具。2018年微博日均文字发布量为1.3亿,如何从海量数据中挖掘出用户的情感倾向,从而及时掌握民众的情绪走势,及时维稳及维护品牌形象,成为政府和企业颇为关注的话题。微博发表的文本相比较于传统新闻报道的内容更加精炼,发布微博的字数控制在140字以内,评论则文字量更少,且多为表达情绪的叠词,没有上下文语境。因此论文采取基于统计模型的分词方法和词向量模型转换文本信息,使用线性判别分析模型对文本进行建模,输出评论的情感倾向,便于企业及政府更加有效的把控微博言论情感的倾向性。论文首先采集微博及评论数据,其次采用数据清洗、Jieba分词、去停用词、Word2vec神经网络模型生成词向量等方法处理数据。然后通过对比LDA分类模型和Stacking集成学习分类模型的情感倾向性划分效果,最终选择效果更好的LDA模型建模,解决词向量数据稀疏和语义表达不完整的问题。最后,利用ASP.NET MVC框架,内嵌grafana可视化平台提供一个线上的环境进行可视化展示。实验结果表明,论文使用的LDA建模方法准确率达到89%,实验结果优于Stacking集成学习建模准确率为74%的方法;使用LDA模型预测得到的评论情感倾向基本正确。本文通过对微博数据情感倾向性分类的实验分析,搭建舆情情感分析系统,除了可视化展示舆情信息,也给用户提供一个可以在线体验测试文本情感倾向性的界面。实验结果表明该系统可以实时监控微博舆情,并使用线性判别分析模型计算的方法能有效的分析出舆情的情感倾向,有助于政府和企业快速把握舆论情感走势,提高工作效率。