近年来,随着电子商务,个人博客,社交网站和微博的蓬勃发展,互联网进入了一个崭新的时代,用户生成文本(user generated content)的产生,标志着人们已经不再是单纯的受众,而是成为了互联网的一部分。广大用户有了发表自己意见的空间,带有主观色彩的言论或评价随之铺天盖地而来。这些海量的非结构化的信息显然包含了大量的信息。企业需要获得用户对产品的意见,政府需要知道群众对某项政策的反映。而用户在消费前想获得更多的建议。如何处理这些信息从而获得我们想要的知识,是当前学者们关注的焦点。情感分类是随之而兴起的一个研究领域,它从文本的情感表达入手对文本进行分类,将其分过正面(positive)和负面(negative)。这样我们可以清楚的知道,文本信息所表达的态度是赞成还是反对,这种产品值得推荐还是一文不值。在这样一个背景下,本文对文本情感分类问题进行了下述研究工作:首先,本文针对情感分类的特点提出了一种自监督的分类模型,将情感分类中常用的基于字典方法与基于机器学习方法相结合,克服了基于字典方法的完备性问题和基于机器学习需要庞大人工标注训练集的问题;其次本文尝试将信息检索中常用的TFIDF模型引入到情感分类中,对其进行调整以适应情感分类问题。最后,本文通过搭建分类模型工程,在情感分类常用数据集上实验证明,本文提出的分类模型可以在不需要庞大人工标注的训练集的情况下获得较高的分类精确率。TFIDF的改进加权模型比布尔加权模型提供了更多的信息,因而也取得了比布尔加权模型更优的分类结果。