近年来,随着互联网金融和电子商务的快速发展,各种网络商城已经处在一个信息爆炸式增长的环境下,越来越多的人喜欢在网上购物时对商品和商家的服务提出自已的观点,这使得互联网商城的商品评论信息数量呈几何级数增长。顾客对商品的评论代表对商家的产品和服务的态度,所以,将这些商品的评论进行文本挖掘和情感分析对研究商品在客户们之间的口碑,进行商品推荐,垃圾信息过滤,了解用户心态,掌握市场第一动态以及对商家服务的改善有着极大的帮助。一般传统的文本情感分类主要的方法是对文本进行预处理后,建造词向量,然后提取特征,最后用分类或聚类的方法对这些数据进行情感分类。在传统的情感分类方法里,特征工程是最重要的一个环节,对分类的结果影响最大。但是,传统的TF-IDF和Word2vec方法提取的文本特征内容有限,表达能力弱,对短文本中词向量与上下文的关系和词向量的词频权重难以兼顾,这些方法提取的特征词对整个短文本的代表性不强,影响分类效果。为了解决这个问题,本文做了以下几个工作:第一,使用Word2vec的skip-gram模型,计算出每个词推导出整句话的概率,其中概率最大的几个词汇是这个短文本中的关键词;然后以概率递减的顺序将每个词进行排序,对这些词语进行二次建模;第二,改进TF-IDF,往TF-IDF中加入词语自身长度代表内容多少的概念,计算第一步提取出的关键词的TF-IDF值;第三,对第一步已经创建好的Word2vec词向量进行TF-IDF加权处理,创建一个新的T-Word2vec特征表示法;最后使用支持向量机对样本数据进行分类测试。大量实验表明:使用T-Word2vec为特征项进行情感分类,得出的分类结果的各项指标均比传统的TF-IDF和Word2vec词向量表示法有了显著的提高,并且在运行时间上也低于Word2vec模型。