随着国务院总理李克强在政府报告工作中对"互联网+"概念的提出,目前传统行业正在寻求突破与创新,将自身主营业务与互联网结合起来,实现企业再创造的价值边际效应。作为传统行业的公交产业,也希望能通过互联网、大数据平台等工具对流量、舆情信息进行智能的采集与梳理,优化目前公交产业的一些问题。因此,基于人工智能的情感分析在其中扮演了重要的角色。目前,情感分析的研究已经相对比较成熟,但现有情感分析技术在实际行业应用中多采用基于监督的方式,这种方法正确率较高,但移植性较低,并且人力成本高。而基于无监督方式的情感分析精度虽然有所降低,但却能弥补以上不足,他能减少在数据量较少情况下建模的不准确性,并且快速应用于新的领域并展现出较好的效果。因此,本文基于公交舆情的特点对原有的基于无监督的情感分析技术进行了研究与改进,具体的研究工作包括以下几方面:1.提出了基于Word2Vec的情感词典扩建方法,结合词语的领域性和语义信息后尽可能多的覆盖使用率较高的情感词汇。2.建立了新的适于长文本的文本表示模型——RPFLO模型,实现了情感词与其评价对象的对应关系,揭示了长文本中句子顺序和隐藏在句子间的语义关系。3.提出了基于RPFLO模型的事件主体抽取方法,该方法利用公共子串自动化抽取初始簇中心来改进K-means聚类算法。4.提出了基于改进的Cure算法的相似话题聚类方法。首先对离群点预处理,其次引入不可达类,实现了传统聚类算法无法实现的过程自动终止功能,提高算法的效率。通过研究改进,本论文实现了无监督情感分析模式的优化,在保证高移植性和低人力成本的基础上大幅提高分析精度。