舆情体现了民众的情感和观点意见,在大数据背景下,民众成为信息的接收者、生产者和传播者,网络舆情逐渐成为社会舆情组成部分之一,在社会舆情中的重要性越发突出。房地产在我国区域经济构成中扮演重要角色,与人们基础生活紧密联系,对房地产网络舆情进行监测,有利于相关机构便捷地对舆情进行合理的引导和管控,有助于房地产行业的可持续发展。本文归纳并总结了现有研究成果中的舆情监测方法,从自然语言处理的角度,以长短期记忆网络（LSTM）为基础网络结构,构建了网络舆情监测的预训练模型,该模型能有效从文本数据中提取情感特征,分别计算情感趋向为正面和负面的情感值,并通过探究房地产网络舆情中的情感倾向性,对相关部门提出相关政策意见。本文的主要研究内容具体如下:（1）对文本数据进行初步分类。本文考虑到对所有文本数据直接进行分类有失合理性,在构建房地产舆情监测模型之前,对从微博平台爬取并整理的12344条房地产网络舆情文本数据进行文本聚类。以TF-IDF为特征计算方法构建向量空间模型,以文本间的余弦相似性为相似性度量、用K-means的划分法构建文本聚类模型,将文本分为基于“政府”的舆情文本、基于“市场”的舆情文本,再进行后续的舆情监测。（2）针对房地产网络舆情监测模型的构建问题,以LSTM为网络结构建立预训练模型,并选取适用于本文实验的短文本数据集为预训练的数据集。在网络结构设计方面,本文在LSTM网络后增加了Softmax分类器作为分类器,Softmax分类器区别于传统SVM,能直观地输出分类的概率值,并引入Dropout层以防止网络出现过拟合问题。本文构建的预训练网络模型在10%的测试集上的准确率为91.2%,召回率为87.3%,精确率为96.8%,F1得分为91.7%,认为本文建立的网络舆情监测预训练模型较好。（3）根据构建的舆情监测模型,得到以下结论:围绕“市场”的评论中有大约86.9%的舆情信息为负面情绪表达,表达了民众对房价、房产相关机构、房产中介及二手房市场等的关注,约10%左右的舆情信息为正面情绪表达,表达了对未来房地产市场发展形式看好;围绕“政府”的评论中有大约63.7%的舆情信息为正面情绪表达,表达了民众对政府约谈行为的支持,约33.7%的舆情信息为负面情绪表达,认为政府行为对房地产市场的管控作用不大,民众的关注度主要围绕政府的相关举措对房地产市场的影响。（4）根据房地产网络舆情监测结果,认为我国房地产网络舆情的情感倾向性总体保持乐观,但是舆论中依旧存在乐观、悲观交替的情况,民众虽然认为政府部门未来将采取的的管控措施将改善房地产市场现今不良现象,但是民众对于现下部分地区的房价上涨、房产机构的炒房行为等现象表达了的消极情绪不容忽视。政府及相关部门应该加强房地产行业的网络舆情监测,同时加强对房地产市场的管控,保障我国房地产行业未来的可持续发展。