社交网络的出现拉近了人们之间的距离,人们逐渐习惯在社交平台上发表评论,这些评论为情感分析技术带来了发展机遇,也带来了挑战。一方面,情感分析任务往往需要大量的标签数据供分类器学习,然而现实世界中存在的更多的是无标签样本,且目前公开的社交网络相关的有标签数据集有限,不足以支撑大规模的监督学习。数据增强是一种扩充标签样本的方法,但是现有的数据增强方法往往只对文本进行相同标签条件下的扩增,不能挖掘情感词与其反义词之间存在的深层次联系。另一方面,情感分析任务在使用传统的机器学习方法进行分类时,否定线索会影响分类器的判断,导致模型处理含有否定语言特征的能力较差。针对以上两个方面的问题,本文提出了递进式的解决方案,主要内容如下:（1）以数据增强为切入点,提出了基于否定处理的情感逆转数据增强方法。该方法利用文本中积极情感词与消极情感词之间的对比性,对有限的有标签文本进行扩增,生成与原始文本标签相反的对立文本。在生成对立文本的过程中,提出了融合标点符号识别和连词分析技术的否定处理方法。该方法对否定线索和否定范围进行检测,以确保生成文本的高质量。（2）利用原始文本和对立文本对传统的机器学习训练模型进行改进,提出了基于对偶学习的机器学习情感分析模型和对此模型改进后的模型。这两个模型利用原始文本和对立文本之间的对偶性,分别使用SVM、NB和LR分类器训练样本集,以对立文本的分类结果辅助得到原始文本的最终分类结果,有效地降低了极性转移的消极影响,增强了模型分类能力的鲁棒性。（3）提出基于双向长短期记忆网络（Bi-LSTM）和注意力机制（Attention Mechanism）的对偶情感分析模型。该模型对原始文本和对立文本组成的对偶样本集进行情感二分类处理,在注意力层根据权重确定单词的注意力值,进一步提高了极性情感分析模型的分类准确率。在Twitter数据集上的实验结果表明,本文提出的数据增强方法能够有效地提升数据增强的效果。综上,本文使用基于否定处理的情感逆转数据增强方法对有标签文本进行扩充后,利用传统的机器学习模型以及结合双向长短期记忆网络和注意力机制的深度学习模型,提升了极性情感分析的准确率和模型的分类性能。