社交媒体是互联网飞速发展的产物之一,民众通过社交媒体交流信息已变成日常生活中必不可少的一件事情。微博作为热门的社交媒体之一,其特点是使用方式简单便捷、实时性高以及传播迅速,并因这些特点成为了国内民众表达情感和分享日常的重要渠道。微博拥有十分庞大的用户群体,每天都能产生海量含有民众情感的微博文本,微博文本成为了国内舆论走向的代表之一,因此对微博文本进行情感分类研究,可以挖掘出微博文本中的情感信息应用于舆情分析等领域。微博文本中存在多义词,基于情感词典的方法无法表示多义词且微博文本中存在情感词典未收录的词,传统的机器学习方法学习能力有限,深度学习方法中静态预训练语言模型Word2Vec等也不能解决多义词表征的问题。为了解决微博文本中蕴含的情感信息没有被充分表征以及情感分类准确率有待提高的问题,将效果更好的情感分类模型应用于舆情分析中,本文主要研究工作如下:第一,针对微博文本中蕴含的情感信息没有被充分表征以及情感分类准确率有待提高,提出了一种基于DeBERTa-Bi GRU-Attention的微博文本情感分类模型。该模型在动态预训练语言模型DeBERTa的基础上进行改进,首先在DeBERTa模型后接入Bi GRU网络获取更多上下文语义特征。然后在Bi GRU网络后引入Attention机制对文本特征分配相应的权重。实验结果表明,DeBERTa-Bi GRU-Attention模型情感分类效果更好。第二,提出了一种基于DeBERTa-Bi GRU-Attention的舆情分析模型。首先,使用Python爬虫在微博收集舆情数据。其次,使用DeBERTa-Bi GRU-Attention模型对舆情数据进行情感分类。再次,先对舆情数据去除停用词处理后再对情感分类数据进行词频统计,并使用Wordcloud生成情感词云图。最后,通过Matplotlib和Seaborn对情感分类结果进行可视化展示,并根据舆情数据可视化结果中的民众情感比例变化将舆情事件划分为形成期、爆发期、波动期和淡化期进行舆情分析。第三,设计了一个舆情数据分析系统,该系统基于DeBERTa-Bi GRU-Attention模型,可将用户选择的舆情数据进行情感分类并输出可视化结果。