随着互联网的广泛应用和网络用户的指数型增长,互联网平台创造了大量可作为文本情感分析的语料数据,如果这些语料数据能获得充分挖掘与利用,相关产业将会获得巨大效益。如何有效获取这些语料并精准分析其情感倾向,再基于这些语料数据作相关领域的研究,从而为相关领域的发展提供数据支持和精准帮扶,是目前自然语言处理学科的一个重要研究点。情感分析,被定义为分析人对特定事件或事件的衍生物所做出的主观、或客观的情感表达,通常以文字、视频、语音和表情等载体的展示。情感分析技术被广泛应用于推荐系统、社会舆情分析、影视评价等方面。情感分析包括情感信息抽取和情感倾向性分析。本文对情感词典的管理、新情感词的抽取与情感倾向分类进行了深入研究,提出基于情感词典和SO-PMI算法的文本情感倾向分析。本文的主要研究包括:(1)提出基于有限状态机原理的模式匹配优化算法。情感词典的有效管理可以节省内存空间和提高系统的运行速率。本文基于有限状态机模式匹配算法,对结点的存储结构和模式匹配过程等方面进行优化,改善了模式查找时的运行时间。设置不同变量,并通过与AC＿BM、AC双数组和AC＿BMH等多模式匹配算法对比,实验结果表明,优化后的算法可以有效管理情感词,同时也提高了模式匹配效率。(2)提出基于句法依存关系和N-Gram算法的提取候选情感词的分析方法。本文基于句法依存关系,以词的依存关系规则和N-Gram为特征,抽取候选情感词单元。然后计算候选情感词与基准情感词典的PMI值,确定候选情感词极性。最后将新提取的已知情感极性词纳入到总情感词库中,增加情感词典的覆盖率。根据评估指标结果可知,由依存句法提取的特征获取候选情感词的平均准确率达83%。(3)提出基于模式匹配和情感词典为主、基于情感词典和互信息算法为辅的情感倾向分类研究。首先根据现有的情感词典库,基于模式匹配算法,提取已知情感词,再根据情感词典中的情感词的极性确定已知情感词词性;然后,针对语料中未包含于情感词典中的词,本文基于句法依存关系和N-Gram算法为特征的方法提取候选情感词,用于不断获取新情感词;最后,结合两种分类方法,获得整个句子的情感倾向。实验结果表明,本文方法获得句子的情感倾向性的准确率达84.37%,比基于传统情感词典高7.23%,比基于SVM分类的方法高6.05%。