互联网作为一种交互式媒体，被越来越多的人用来表达自己的观点和态度。这些带有倾向性的主观性语言集中在Blog、论坛和留言之中，包含有大量信息，自动挖掘其中的观点和态度，具有十分重要的意义。　　 本文围绕文本倾向性分析，从以下几个不同的应用背景出发，研究了文本倾向性的褒贬分类和主客观分类两个任务中的相关技术。　　 (1)短评论的褒贬分类　　 短评论是在商业产品评论中常见的评论形式。传统的文本褒贬分类采用基于褒贬义词典的方法。然而，在短评论的褒贬义分类任务中，因为评论的对象属于特定的领域，而通用的褒贬义词典不能够覆盖特定领域内的倾向性表达词语，造成分类性能很差。此外，在短评论分类任务中传统方法还有另外一个缺陷：因为褒贬词语表达什么样的态度要依赖于其描述对象，所以，独立于描述对象，很多词语的倾向性难以判断。针对以上问题，本文在有监督学习的框架下采用了基于组合特征的分类方法：首先构建一个有褒贬标记的短评论语料库，然后从中自动挖掘褒贬描述的对象，并绑定该对象和其褒贬描述词，最后基于这种绑定后的组合特征，在语料库的监督下进行短评论褒贬分类的学习。实验表明，在电子产品评论分类任务上，该方法较传统褒贬分类方法能够获得更好的分类效果。　　 (2)长评论的褒贬分类　　 长评论是文学影视作品评论中常见的文体。与产品评价等短评论文体相比，长评论通常包含更多的评价侧面，篇幅更长，使用的语言更加丰富，情感更加强烈。更重要的是，长评论在篇章构成上包含某些结构，其中一种结构就是篇章中情感表达的结构。结合这种情感结构，本文针对长评论的褒贬分类，提出了一种称为Roof-CRF模型的分类方法。该模型将篇章中情感的各种关系统一建模，能够刻画出句子情感同句中词语的关系、句子间情感的关系、篇章情感和句子情感之间的关系以及篇章情感同篇章中词语的关系，从而一体化地对长文全局篇章情感和局部句子情感进行分类。实验证明，与传统方法相比，该方法对篇章和句子的褒贬分类性能都有一定的提高。　　 (3)评论的倾向性分级　　 在评论的倾向性分类中，褒贬的类别是具有强弱顺序的，这种有序类别的分类问题属于序回归问题，但是当前的方法都是从多分类的角度来进行评论的分级，所学习出来的模型不能完全符合有序类别的分类任务。本文提出一种基于多重冗余标记的方法使CRF能够从序回归问题的角度解决情感分级任务。此外，利用该方法，本文将主客观分类、情感极性分类和情感强弱分类三个任务集成到统一的模型之中，避免了分步方法误差积累和蔓延问题。在英文电影评论语料上的实验表明，跟标准的CRF方法相比，本文提出的方法能更好地解决评论的倾向性分级任务。　　 (4)主客观分类　　 本文面向TREC-BLOG07的观点搜索任务，介绍了一个主客观分类的方案。首先，为了解决主客观分类的训练语料难以收集的问题，采用了一种基于单类样例的文本分类方法。其次，基于主动学习思想，采用了动态选择训练样本的方法。最后，在主观性和相关性融合阶段，使用了支持向量回归的方法。在TRECBLOG06观点搜索数据上的实验结果验证了这套方案的有效性。