情感分析又称意见挖掘,已被记录的主观文本常带有感情色彩,而情感分析的任务就是判别出这些文本中的情感倾向性。网络文本情感分析是自然语言处理的主要任务之一,其主要包括语料数据加工、情感词典构建、情感倾向性分析等任务。有两种较为常见的方法可以进行情感分析,一种是基于情感词典的方法,这种方法有较高的准确率,但是召回率比较低,具有一定的局限性。基于机器学习的方法则无需太多语言学领域的信息,但是需要标注海量数据,导致不容易实现。通过深入学习和研究当前国内中文网络文本情感分析技术,发现目前的网络文本情感分类方法还存在以下几点不足。首先,通用的情感词典并不适用于特定领域,是因为不同的领域有不同的专业词汇,导致通用的情感词典无法识别。例如,电影网络评论作为网络文本的一个类型,仍未有完备的官方情感词典,导致用情感词典进行情感分析时效果并不理想,不能准确而充分地发掘文本的情感信息。其次,Word2Vec是将词表示为实数值向量的高效工具,但是Word2Vec模型无法区分文本中词汇的重要程度。最后,在对网络文本进行情感分析时,考虑到中文表达的文本中总是有中心词,这些中心词对文本情感倾向性的影响较其它词更大。现有的词向量表示就缺少对词语重要度的区别,这样的词向量表示不太符合认知。针对以上几点不足,本文设计了结合领域情感词典与机器学习的情感分析方法,主要工作如下:(1)改进SO-PMI算法,在计算PMI点互信息时引入共现词语间的距离关系,得到SO-LPMI算法。(2)提出语义加权词向量的概念。在计算词语的特征权值时引入语义因子改进TF-IDF权值计算得到LOCTF-IDF权值计算方式,突出文本的语义信息。(3)通过SO-LPMI算法扩建词典的方式得到电影领域专用情感词典。使用通用的词典与本文构造的电影领域情感词典分别对同一语料进行情感分类,并比较分类结果。使用LOCTF-IDF权值计算方式对Word2vec词向量进行加权,提高文本中重要位置感情词汇的权值,利用支持向量机进行分类实验来证明此方法的有效性。