本文是在国家自然科学基金(项目编号:71673032)的资助下完成的。社交网络的高速发展极大地影响着互联网数据的产生,人们通过互联网分享自己的观点或体验,表达了各种情感倾向,如喜、怒、哀、乐、批评、赞扬等。这些评论信息迅速生成并堆积,给文本情感分析(Sentiment Analysis)提供了宝贵的研究数据。由于人类语言表达的随意性,这类评论数据具有相当的复杂程度,并且随着时间的推移,网络上会出现大量的网络用语和新型词汇,同时一词多义、词义变化的现象也给文本情感分析造成了很大的困难。目前的文本情感分析工作仅能从语义和语法上开展,效果并不理想。因此,有必要开辟全新的角度对文本情感分析进行研究。在本文的前期工作中,发现了一些特殊的用户评论形式,这些用户评论的评价对象会因时间的推移而变化,并且在相同的时间段内评论有相同情感倾向,体现出了相当高的实时性。为了区别于传统用户评论并在文本情感分析中利用这种实时性,提出了实时评论的概念对其加以概括。通过对大量数据的统计和挖掘,发现了实时评论的两大特征:(1)实时评论的爆发具有时段性;(2)实时评论的情感倾向具有相对一致性。这两大特征对后续工作产生了极大的启发作用。针对实时评论情感倾向的聚类和分类问题,分别提出了基于量子谐振子模型的情感倾向聚类算法(SOCA-QHOM)和基于情感倾向聚类的矫正贝叶斯算法(MBA-SOC)。SOCA-QHOM算法把实时评论投影到区间化的时间轴中,形成离散目标函数,将实时评论的聚类问题转化为函数优化问题,利用量子谐振子从高能态到低能态跃迁过程中的概率解释来完成聚类。MBA-SOC算法将实时评论的情感倾向融入传统贝叶斯分类器中并替换贝叶斯先验概率,形成改进的贝叶斯分类模型,从而矫正了贝叶斯模型错分的样本,提高了分类效果。最后,为了验证本文提出的两个算法设计了对比实验。实验结果表明,在对实时评论的情感倾向聚类中,SOCA-QHOM算法的效果优于传统的聚类算法;在对实时评论的情感倾向分类中,MBA-SOC算法有效地提升了传统贝叶斯分类器的分类效果。