随着数据规模的增大和数据类型的丰富,近年来基于文本数据的情感分类成为重要研究方向。越来越多学者的研究着手于探索中文文本与其蕴含的情感之间的关系,而中文文本数据通常都是高维（即p＞n）的,且文本所蕴含的情感具有多样性、有序性、分布不平衡性等特点。传统的有序分类方法要求解释变量个数小于样本个数,因此在文本情感分类中并不适用。为了解决文本情感分类的问题,本文在连续比例模型的基础上,针对文本标签分布的非平衡性,使用了SMOTE（Synthetic Minority Oversampling Technique）方法平衡样本,针对高维数据,加入了能够有效压缩系数的SCAD（Smoothly Clipped Absolute Deviation）惩罚函数,并针对连续比例模型易受噪声影响的特点,使用了 Bagging和Boosting的集成算法,建立了 SMOTE+集成算法的SCAD惩罚的连续比例模型。为检验模型效果,第一,本文将使用SMOTE算法的带有SCAD惩罚的连续比例模型同带有L1和MCP惩罚的模型进行对比。在模拟中,本文考虑了两种自变量相关结构和样本量对模型结果产生的影响。模拟结果表明,本文提出的SMOTE+SCAD惩罚的连续比例模型明显优于未加SMOTE算法的和L1惩罚的连续比例模型,这证明了经SMOTE平衡后的数据具有更优良的性质,SCAD方法也具有更优的降维效果。第二,本文将上述模型作为基模型,使用了 Bagging和Boosting的算法集成,提高了模型的稳健性和分类效果。另外,本文将使用SMOTE的带有SCAD惩罚的连续比例模型应用到美团评论文本的情感分类中,经文本预处理、分词去停,词向量建立,将文本数据转化为结构化数据,再使用SMOTE+SCAD的连续比例模型及其集成模型,结果表明该模型具有良好的降维效果,并且有良好的预测效果。