随着互联网技术的发展,网络中的信息量呈指数级增长。以B站为代表的视频平台作为一种新的传播媒介,在信息获取、发布和传递的过程中占据了重要的位置。但是,视频平台为视频所提供的关键词及情感倾向标签往往存在描述范围过大、依赖发布者发布时的主观意愿、动态更新不及时等问题。因此,优化关键词及情感倾向标签不仅能使尚未观看视频的用户提前了解视频内容和情感倾向,而且有助于平台用户画像的构建及千人千面的个性化内容推荐。在视频媒体中,用户针对视频内容所实时发出的弹幕文本,涵盖了大量与视频内容相关的信息,可作为视频关键词的重要数据来源。同时,所发布的评论文本多为情绪的反馈,可作为情感类别标注的重要数据来源。因此,本文对视频平台数据进行挖掘,并对相关算法进行研究,形成了一套面向视频平台关键词提取与情感倾向类别标注的方法和理论。该研究主要包括四部分:（1）文本资源库构建与数据预处理提出基于Requests的多源轮巡式弹幕爬取方法,构建动态头文件池以提高爬虫的效率。由于弹幕资源为动态资源无法一次性获取,所以本文采用轮巡方法多次爬取弹幕信息得到视频完整的弹幕资源,并利用爬虫技术爬取视频封面、标题、评论等相关数据以丰富文本资源库。通过对弹幕文本进行分词研究,本文构建了弹幕停用词词典,并使用HanLP系统对文本数据进行清洗,提高有效数据的质量。同时,对文本资源库的结构进行设计,并将处理后的数据存入文本资源库。（2）弹幕关键词提取方法研究提出了一种基于词频词义相结合的关键词提取模型。首先,构建弹幕特征三元组,并提出融合图像增强模块与注意力机制的多阶段光学字符识别模型（Optical Character With Attention,OCA）,丰富弹幕特征三元组内容。随后,考虑三元组数据特性及词频与篇章数对提取效果的影响,通过分段函数构建基于词频的TTF-ICDF算法。接着,引入语义维度信息并利用中文拼音作为编辑距离的计算单元,构建基于词义的DWText Rank算法。最后,提出基于词频词义的关键词融合算法,构建了词频词义相结合的关键词提取模型（TTF-ICDF-DWText Rank,TI-Rank）。实验结果表明,在视频封面的文字识别中,相较于传统的光学字符识别模型,所构建的OCA模型在平均F1值与平均计算时间上均有所提高。在关键词提取任务中,TI-Rank模型能更准确的提取弹幕文本关键词,并优化了关键词排列顺序。（3）弹幕及评论文本的情感倾向类别标注研究提出了一种基于多特征融合的类别标注模型。首先,对分类任务的处理流程进行分析,研究了基于双向LSTM的文本语义分类模型。随后,提出基于注意力机制的多语义融合架构以优化语义特征提取能力。接着,为提取词频维度特征,利用投票机制构建基于动态扩充算法的情感词典。最后提出基于词频词义的类别标注融合算法,构建了多特征融合的类别标注模型（Attention Concolution Transformer with Dynamic emotion dictionary,AD-Marked）。实验表明,相较于Bert及其它主流文本分类模型,AD-Marked在保证模型准确率的同时,极大的优化了任务处理效率。（4）考虑字词排列顺序的模型评价方法研究提出了一套检测字词排列顺序的三级梯度评价标准。为了更合理的评价关键词提取的准确性,本文按照关键词重要程度降序排列的特点,开展了模型评价方法研究,采用控制变量的方法并结合大量对比实验结果,形成了以词为单位的权重分配指标,提出了三级梯度评价标准。实验部分,利用传统F1评价标准与三级梯度评价标准,验证了TI-Rank模型性能的优越性。最后,基于Flask、Pytorch及Lay-UI框架实现了一个标签生成与情感倾向分类试验系统。该系统主要由数据采集与预处理、视频关键词标签生成、用户情感倾向类别标注三个模块构成,能够以可视化的形式对上述模块所涉及的相关模型与算法进行实验与验证。