当下,以微博为代表的各大社交网络平台逐渐成为了人们社会生活中不可或缺的一部分,用户在社交网络中进行交流、发表言论的交互式过程中会产生海量的文本信息,存在着巨大的数据挖掘价值。文本倾向性分析主要是以文本为研究对象,着重挖掘文本中蕴含的情感倾向（包括观点、态度、情绪等）,目前已经成为自然语言处理领域中的一个重要的研究方向。尽管以往的研究已取得了一定的成果,但是仍然存在着诸多问题:如词向量的表示能力有限,无法解决词的多义性问题,另外学习到的词向量也很难符合特定任务的需求;缺少特定领域的情感词典,以及构建词典过程中新情感词的识别较为困难;针对小规模语料的文本倾向性分析的研究还不是很丰富等。针对上述问题,本文的主要工作分为以下三部分:1.针对词向量的表示能力有限的问题,本文从文本的特征表示出发,对经典的Glo Ve模型进行改进,使用位置嵌入度量词与其上下文之间的关联,进行共现矩阵的构建,同时还将情感先验特征与语义特征相融合,引入到矩阵建模的过程中。另外,由于数据集不平衡可能会导致情感先验存在误差,针对二分类文本倾向性分析任务本文通过引入调节参数对其进行校正。经实验结果表明,改进后的模型极大地提升了学习到的词向量的表示能力,能够符合特定任务的需求。2.针对缺少特定领域的情感词典,以及构建词典过程中新情感词的识别较为困难等问题,在本文提出了多层级可动态更新的领域情感词典构建方法。首先借助通用情感词典完成部分情感词的极性标定,并将其作为训练预料,然后基于神经网络设计了情感极性分类器,同时定义了词典的动态更新规则以确保词典的时效性。经实验结果表明,本文设计的情感极性分类器的准确性远超于直接使用词向量相似度的方法,且构建的领域情感词典适用于文本倾向性分析任务。3.针对深度学习模型在小规模语料上效果不佳的问题,本文对BERT模型的微调训练过程和特征抽取方式进行了优化,提出了动态学习率和提前终止策略、缩减模型transformer block层数、基于池化的句子编码、以及阈值微调等策略。经实验结果表明,改进后的模型获得了更快的收敛速率,解决了泛化能力差的问题,可有效应用于小规模语料文本倾向性分析任务。