面向特定话题的微博情感分析是一种重要的现实应用,它的目标微博文本往往根据任务需要具有某个特定的话题,传统的情感分析方法在这种场景下应用时产生话题适应的问题,即由于模型没有考虑微博文本在不同话题下的内容特征的差异,导致其应用在面向特定话题场景下的微博情感分类任务时往往效果较差。本文以微博情感分析中的话题适应问题为主要研究问题,发现问题的本质在于与特定话题相关的数据难以获取,因此从数据的角度出发并基于迁移学习的思路设计了话题适应的微博情感分析方法。方法的主要思想是通过引入大量外源的话题情感标注数据来扩充话题相关的样本数据,然后基于实例的迁移学习方法使得其他来源的数据能够被用于训练一个话题适应的微博情感分类模型,方法的主要内容包括:基于K最近邻的实例迁移技术。该技术将样本库中的一个话题领域看作一个“话题样本”,领域下的情感标注文本实例看作K最近邻方法的预测标签,对话题领域进行话题语义、词分布、实例三个层面的特征描述以及相似度定义,然后通过K最近邻的方法实时地为任务的目标话题在样本库中寻找相关的话题领域下的标注实例。这种方法能够根据任务需要快速定位话题相关域,找到话题相关的情感标注数据。基于聚类的实例过滤技术,将目标源域的数据与候选的样本数据放到同一空间下聚类,根据聚类结果排除掉不合适的实例,同时根据类簇中的候选样本的相似度权重对样本进行排序,实现对候选样本的过滤和筛选。该技术能够减少来自外源数据候选样本与微博领域数据之间的差异,提高分类的准确性。本文基于上述提出的两种方法实现了话题适应的微博情感分类系统。然后分别使用基于话题无关的源域数据训练模型、话题相关的外源数据训练模型、话题相关的混合数据训练模型,在8个不同的话题下的微博数据上进行情感分类实验,实验结果证明了本文提出的方法能够有效提高有监督的情感分类模型在特定话题下的微博情感分类任务的性能。