社交媒体平台包含了大量的文本数据,包括用户的反馈、评论、对话、意见等信息,这些信息是情感分析的基础。个体异常检测和情感建模是情感分析的重要组成部分,也是情感计算的新兴方向。个体异常检测主要指的是用户的异常情感转移模式的检测,个性建模是通过挖掘对话交互中的情感转移模式,对用户的相对稳定的情绪模式或个性等进行量化表征。目前,个体异常检测以及情感建模,在追求逻辑性,准确性的同时,往往忽略了对话者的情感个性。本文基于不同平台的对话交互文本数据,对多源数据(多平台的对话文本数据)的个体异常检测以及情感建模做了综述,包括其概念、提出背景、相关的方法、研究现状以及一些不足,主要工作如下:(1)面向个体异常检测,提出了基于对话交互的情感转移概率矩阵和张量网络模型,实现了基于张量相似度的个体异常检测模型。(2)面向个性情感模拟,基于传统的马尔可夫蒙特卡罗方法,提出了EMCMC算法,算法可以模拟出对话情感转移概率分布对应的样本。实验表明,一定范围内收敛限制越大,采样的序列与源数据概率分布越接近。(3)面向个性化情绪生成,提出了GEN-MCMC算法,实现了对话中用户情感交互的动态转移过程和用户个性化情感转移序列的生成。(4)面向个性化情绪引导,提出了刺激路径采样算法GUI-MCMC,实现了引导用户情感从给定情感到指定目标情感的情绪引导框架。通过实验,本文提出的基于张量的异常检测方法可以挖掘出个体隐蔽的异常情感,并验证了改进的算法的有效性。其中E-MCMC算法在一定范围内收敛限制越大,采样得到的序列与源数据概率分布越接近。GEN-MCMC算法可以有效构建用户个性情感序列,在一致性和多样性上表现较基线模型更好。GUI-MCMC算法可以有效地引导用户情感到所希望的方向,为情绪引导、心理诊疗、聊天机器人等研究提供了新的思路和可行方案。