微博作为中文最大的社交网络平台,拥有庞大的用户数据,是人们发表意见、表达情绪的重要平台。在社交网络中,文本中蕴含的情感信息对社会事件的传播发挥了不可忽视的作用。正确识别微博文本中的情感能充分了解到个体状况以及事件发展的趋势,从而实施有效的干预策略。人格是影响情感表达的重要因素,具有相同人格特质的个体,其情感表达方式也相似。然而,以往的情感分类大多数忽略了人格这一因素。在此背景下,本文以新浪微博为研究对象,结合双向长短记忆网络（BiLSTM）模型和自注意力（Self-Attention）机制,提出了一种结合人格因素的P-BiLSTM-SA模型,实现微博文本的情感分类。主要研究工作由两个方面组成:一是基于人格词典的人格识别。目前国内人格识别大多依赖于国外的人格词典,几乎没有适用于中文社交网络的人格词典。对此,构建了微博用户人格词典,并结合机器学习算法实现人格识别。首先,基于大五人格理论,利用调查问卷收集用户信息,爬取用户相关微博文本,并提取关键词。同时,随机爬取微博活跃用户微博,得到1.3G左右微博文本作为语料库。随后,采用K-Means算法对关键词聚类,利用Word2vec和语料库进行词汇扩充,得到一个包含不同语义特征的人格词典,对参与者的人格分数和各类别的人格词汇进行了相关性分析,探索不同人格与文本特征之间的关系。最后,对比采用支持向量机、朴素贝叶斯和随机森林三种算法进行了微博用户的人格识别。实验显示,本文构建的微博用户人格词典相对中文版LIWC词典更具有针对性,尤其是与随机森林算法相结合,平均准确率提高了5.95%。二是结合人格因素的微博文本情感分类。首先,随机爬取733名用户的原创微博,对其情感极性进行标注。随后,结合构建的人格词典与随机森林算法对这些用户进行人格识别,得到不同人格分组,基于BiLSTM模型和Self-Attention机制提出了结合人格因素的P-BiLSTM-SA模型,分别训练出不同人格维度的基本情感分类器。最后,采用集成策略,融合各个基本分类器的预测结果,输出最终的情感极性。为了探索P-BiLSTM-SA模型对不同微博数据集的情感分类表现,在保证模型参数相同的情况下,使用公开数据集nlpcc2013进行了对比实验。结果显示,P-BiLSTM-SA模型对在不同数据集上都可以达到较高的准确率,尤其是在nlpcc2013上,准确率可达82.88%,比未结合人格因素的BiLSTM-SA模型高了7.51%,表明该模型对微博文本的情感分类有明显的效果,同时也说明该方法具有良好的适用性和健壮性。