随着Web2.0的兴起,当今互联网已经进入社交媒体时代。人们逐渐习惯于在社交媒体网站上通过文字分享自己的观点和立场,互联网己然成为人们信息获取和交流的重要平台。用户发布在互联网上的带有观点性的内容对舆情分析、电子商务、信息检索等方面具有重要的社会和商业价值。如何高效地从海量的文本中挖掘并利用这些信息己然成为当下亟待解决的问题。本文面向社交媒体的情感分类任务,研究情感表示学习和情感词典构建的相关问题。前两章对课题的研究背景、研究现状和基本技术进行介绍,并分析了当前研究的不足。在本文第三、四两章分别提出表示学习和情感词典分步构建方法及表示学习和情感词典一体化构建方法。本文通过基于特征模板的监督情感分析方法和无监督情感分析方法对情感词典评估。本文的主要贡献如下:(1)提出了基于层次监督的情感表示学习方法,通过整合了词语和文档级两种粒度的情感监督信息,本文的表示学习方法可以解决基于文档监督的表示学习方法无法处理否定、反问等复杂的语言现象,同时也提高了使用单一粒度的监督信息进行表示学习的效果。(2)本文提出的表示学习方法中词语级监督信息可以通过三种方式获取。即现有的情感词典和文中提出了两种词语级情感监督信息获取方式,“软标注”的PMI-SO情感分布和“硬标注”的PMI-SO情感分布。(3)此外,本文提出了两种表示学习和情感词典构建方法,即分步构建和一体化构建方法。在分步构建方法中,首先学习词语的情感表示,然后基于监督学习的方法为词表中的每个词语预测情感倾向性。为了简化情感词典构建的过程,本文又提出了一种一体化的构建方法。本文分别在tweet情感分析的公开数据集上验证了上述两种方法的有效性。