现今社会,信息化技术正处于高速发展的状态,在各行业得到了广泛应用。其中,挖掘新闻评论短文本中蕴含的有效情感信息,从而达到对社会舆情进行管控等目的,成为近年来的研究热点。然而,若直接对评论短文本进行情感分析,其固有的情感特征偏少的缺陷会导致最终得到的结果差强人意。此外,常用于情感分类的K近邻(K-Nearest Neighbor,KNN)算法在近邻样本选择环节以及样本类别判定环节均存在缺陷。基于以上问题,本文立足于提高KNN算法的分类性能以及扩展新闻评论短文本的情感特征,主要完成了以下工作:首先,针对传统KNN算法在采用欧式距离衡量样本距离时将样本不同属性之间的差别同等对待,从而导致近邻样本选择不准的问题,提出一种基于相关距离的近邻样本选择策略;针对“少数服从多数”的类别判定机制易受样本不均现象影响的问题,提出一种基于本文所构造极性影响因子之和的样本类别判定策略。本文同时将这两种改进策略应用于KNN算法的两个环节,提出一种融合改进策略的KNN(Fused-K-Nearest Neighbor,Fused-KNN)算法,并将其作为新闻评论短文本的情感分类器。实验结果表明,该算法可以更为精准的选择近邻样本,并获得更优的类别判定结果。其次,针对现有算法在解决短文本情感特征稀疏问题时未充分利用维基百科所蕴含信息的问题,提出一种能够对之进行综合利用的短文本特征扩展方法。该方法首先提出一种基于维基百科页面内容、文章网络以及分类树的语义相关度计算算法(Similarity Calculation Algorithm Based on Page and Structure,PS-SIM),衡量新闻评论短文本中的主题词与其候选扩展词之间的语义相关度,然后将得到的结果递减排序,最后选出相关度高的候选扩展词作为最终的扩展结果。实验结果表明,该算法可以对新闻评论短文本的情感特征进行有效扩展,并能使分类算法得到更多的有效信息,提高其分类性能。最后,为验证本文研究成果的实际应用效果,结合腾讯新闻设计并实现了网络新闻评论情感分析原型系统。同时,分析了系统的结构及流程,阐述了评论获取、特征扩展、情感分析等模块的实现过程,并通过结果展示模块可视化地展示了情感分析结果,为以后相关系统的研发提供参考与借鉴。