随着社交网络的迅猛发展,互联网上的用户评论和观点激增,数据量呈爆炸式增涨。这些隐含用户情感倾向的文本在产品推荐、舆情监控以及信息预测等方面具有重要意义。基于对当前情感分析方法的总结分析,本文提出了两种情感分析方法:一是针对现有情感词典和朴素贝叶斯算法的缺陷,提出一种结合情感词典和改进朴素贝叶斯的情感分析方法SD-PCANBC,以获取更好的分类效果;二是基于预训练模型以及Attention机制,针对文本的语义特征提取和表示进行改进,以提升情感分类的效果。1、针对现有情感词典无法精准捕捉微博评论情感词的情况以及朴素贝叶斯算法需要满足属性相互独立的条件假设的缺陷,基于SO-PMI算法重新构建了微博评论情感词典,并使用基于PCA的加权朴素贝叶斯算法作为分类器,提出了一种结合情感词典和改进朴素贝叶斯的文本情感分析方法SD-PCANBC。首先利用新构建的情感词典计算文本情感值,并使用TF-IDF特征权值计算方法结合文本情感值与词向量获得文本的加权特征表示,然后对其进行PCA特征降维,得到相互独立的主成分,作为朴素贝叶斯的属性值,这可以缓解模型条件特征相互独立假设造成的缺陷,之后使用方差贡献率作为朴素贝叶斯的权重,消除了权重相同的问题,并设置了消融实验和对比实验。结果表明,结合情感词典和改进朴素贝叶斯的文本情感分析方法优于单一方法和其他机器学习模型。2、针对传统语言模型无法直接提取句子的双向语义特征,导致情感分类准确率较低的情况,对文本的语义特征提取和表示进行了改进,提出一种结合预训练语言模型ALBERT、神经网络BiLSTM以及Attention机制的情感分析模型ALBERT-BiLSTM-Att。ALBERT因为采用基于自注意力机制的Transformer作为网络结构,相对于One-hot、Word2Vec等传统词向量表示技术,解决了词语多义性的问题,可以得到更丰富的语义特征,进一步优化了输入文本的词向量。BiLSTM-Att模块中,BiLSTM的独特机制以及注意力机制为不同的词分配不同权重的特点,可以获取文本更深层次的特征。最后在数据集weibo＿senti＿100k上,设置了消融实验和对比实验,以验证模型的优越性。结果表明,基于ALBERT-BiLSTM-Att的文本情感分析方法在微博评论文本上相比其他模型在准确率上具有更好的表现。最后使用指标较好的模型ALBERT-BiLSTM-Att对爬取的酒店评论文本数据集进行情感分析,并对分类后的评论文本进行LDA主题挖掘,直观体现酒店的优缺点。本文综合分析了三种分类方法的优缺点,并在此基础上对在线评论文本的情感分析任务进行了研究,提出了两种分类模型,并对分类结果进行了主题挖掘。实验结果表明,本文的研究虽已取得初步成果,但也存在着诸多问题以及巨大改进空间。