随着互联网的飞速发展,信息的传播和增长也越来越快。民众通过互联网参与信息的互动也越来越频繁。如何有效的获取民众对相关事件、商品、活动等评价信息并挖掘出一些其中有价值的内容,成为互联网技术的一项研究热点。因此,互联网舆情分析技术应运而生。文本情感分析以判断用户发表信息的情感属性为目标,是舆情分析中中的一项关键技术,对了解民众舆论倾向起重要作用。传统的情感分析算法存在特征维度过高、语句中词语时序信息识别不全面等问题。本文针对传统算法中存在的问题,尝试加以改进。本文的主要工作有:1.本文改进了一种基于朴素贝叶斯的支持向量机融合分类算法,利用N元模型和神经网络模型优化文档特征向量,有效改善了传统方法中特征维度问题,并加入了短语时序信息。2.本文实现了一种基于迭代神经网络的语言模型,可有效获得语句的完整时序信息,从而改善了情感分析的准确性。3.本文亦对传统情感分析算法及两种改进方法进行结果融合,进一步提高了文本情感分析的准确率。