随着互联网的迅速发展,越来越多的人在以Twitter、微博为代表的社交媒体上分享自己的观点和心情。情绪分析是自然语言处理的一个研究热点,通过分析人们在社交媒体上发布的文本推测他们的主观感受。情绪分类是情绪分析的一项基本任务,旨在判断文本表达的情绪类别,例如高兴、生气等。本文主要面向微博文本数据,开展情绪分类方法研究,重点解决该任务中标注语料匮乏的问题。具体研究包括以下三个方面:首先,本文提出了一种基于情绪图标的弱监督情绪分类方法。该方法利用未标注样本中的情绪图标信息获得大量自动标注样本,并结合少量人工标注样本进行联合学习。该方法的核心思想是将基于人工标注样本和自动标注样本的两个情绪分类任务分别看作主任务和辅助任务。主任务通过辅助任务的共享层获得辅助表示,并将此辅助表示加入到主任务中进行联合学习。实验结果表明使用自动标注样本能够有效提升情绪分类的性能。本文提出的联合学习方法明显优于将人工标注样本和自动标注样本简单混合的方法。其次,本文提出了一种基于情绪特定词向量的情绪分类方法。现有的许多词向量学习算法只对词语的上下文信息进行建模而忽略了词语的情绪信息,从而导致上下文相似但情绪相反的词语有相似的词向量。该方法的核心思想是利用情绪图标辅助训练词向量,将情绪图标与词的关系融入词向量中。具体而言,通过构建一个由词-篇章网络和词-情绪图标网络组成的异构网络学习情绪特定词向量,并使用长短期记忆网络作为分类器进行情绪分类。实验结果表明该方法明显优于直接利用情绪图标的方法和其它一些传统词向量学习方法。最后,本文提出了一种基于跨语言信息的情绪分类方法。该方法利用丰富的英文情绪语料库,从跨语言的角度提升中文微博情绪分类的性能。首先,利用机器翻译工具将中文微博语料翻译成英文,将英文Twitter语料翻译成中文。其次,使用一个多任务学习框架同时学习中文语料和英文语料。将中文微博语料视为原始语料,其它三部分语料视为补充语料,将基于补充语料学习得到的中间表示与基于原始语料学习得到的中间表示进行融合。在此基础上,加入注意力机制,并得到最终分类结果。实验结果表明该方法能够明显提升中文微博情绪分类的性能。