近年来,随着网络社交平台的迅速发展,社交媒体也随之兴起。社交媒体每天发布海量信息,内容主题涉及各个领域。内容中隐含的情感信息对舆情监测、民意调查等有巨大的利用价值。然而,目前的情感分析技术主要针对通用文本,在社交媒体场景下存在诸多问题:社交媒体内容日益多元化、专业化,致使情感分析模型在没有先验知识支持下难以充分理解社交媒体信息;传统情感分析算法分析粒度较粗,难以深度挖掘网民情感产生的原因;社交媒体内容碎片化、海量化的特点日益明显,传统情感分析系统缺乏对海量社交媒体内容的有效组织管理,情感分析系统使用者难以快速获取社交媒体内容实体、情感倾向、情感原因等关键信息。针对以上问题,本文使用统一内容标签（Uniform Content Label,UCL）及知识图谱解决社交媒体情感分析问题。本文提出一种维基知识图谱（Wikipedia Knowledge Graph,WIKIKG）,并设计了一种维基百科知识抽取算法（Wikipedia Knowledge Extraction Algorithm,WIKI-KEA）。在WIKIKG知识图谱基础上,针对社交媒体提出一种基于知识图谱的情感分析算法（Knowledge Graph Based Sentiment Analysis,KGBSA）,该算法可以向用户提供细粒度的社交媒体情感分析结果。本文的主要研究工作如下:1)针对传统情感分析方法因缺乏先验知识难以充分理解社交媒体信息的问题,本文提出基于维基百科的知识图谱构建方法。首先,使用爬虫技术爬取维基百科网页内容,抽取结构化数据及非结构化文本,采用UCL标引维基百科内容。然后,抽取UCL的结构化数据构建WIKIKG基础库,并使用WIKI-KEA算法从UCL的非结构化文本中抽取实体关系三元组,三元组经过实体消歧算法消歧后存入WIKIKG。最后,针对社交媒体内容更新速度快的特点,提出一种基于社交媒体的知识图谱实时更新方法,保证WIKIKG向情感分析系统提供实时、准确的先验知识。2)针对社交媒体内容缺乏有效组织管理的问题和现有情感分析方法粒度较粗的问题,本文提出社交媒体的UCL内容标引方法以及社交媒体情感分析算法KGBSA。首先,借助UCL规范化信息结构的优势,提出基于UCL的社交媒体内容标引方法。然后,利用WIKIKG知识图谱的先验知识,结合社交媒体特征构建情感词典。最后,提出KGBSA算法,该算法分为KGBSA-ECD情感原因发现算法和KGBSA-SC情感句分类算法两部分。KGBSA-ECD算法使用图注意力网络融合文本相关知识,并结合语义信息和位置信息特征预测情感原因。KGBSA-SC算法利用情感词典结合句法依存树,计算情感句情感倾向,进而完成情感句分类任务。3)本文分别对WIKI-KEA算法、实体消歧算法及KGBSA算法进行分析与验证。实验结果表明,WIKI-KEA算法和实体消歧算法在公开数据集上具有较好的性能,可以很好地支持WIKIKG知识图谱的构建。KGBSA算法相比于传统的情感分析算法具有更高的精度。在上述实验的基础上,本文设计了基于知识图谱的社交媒体情感分析系统总体框架,并在双结构网络原型系统中进行了实现。