进入21世纪,互联网技术的发展突飞猛进,互联网已经与各行各业息息相关,同时,连接在互联网上的各种设备在源源不断产生着数据,造成数据的爆炸式增长,这其中就包括大量的文本信息。这些文本信息以日志、评论、文章等形式呈现在互联网上,由于互联网与人们的生活越来越紧密,网络对社会热点的影响也越来越大,如何分析网络观点、预测网络情绪并正确引导网络舆情成为当今社会乃至全世界亟需解决的问题,其中对文本分析技术的研究是解决这一问题的关键点。但是,现阶段的文本分析方法大都是使用统计语言模型对文本建模,再结合机器学习算法训练模型,其效果依赖语料质量,可复用性差,而且模型训练需要耗费大量计算时间,在算法的并行化研究方面缺乏可行的解决方案。为此,本文以神经网络语言模型为基础,并结合Spark大数据平台,设计并实现一套中文文本分析处理的综合系统。本文主要工作包括:(1)研究基于神经网络语言模型的文本倾向分析算法,并设计了融合LDA模型的Doc2vec文本特征表示算法。(2)研究文本分析算法的并行化技术,利用Spark大数据平台设计算法的并行化模型。(3)研究中文文本倾向分析流程,设计并实现基于大数据平台的中文文本分析系统,包括语料摄取、语料标注、语料存储、模型训练、模型验证等模块。(4)对原型系统进行验证、测试与分析。为了验证本课题的可行性,本文通过对原型系统中设计的融合LDA模型的Doc2vec文本特征表示算法进行准确度测试,实验结果表明,经过融合后的文本表示模型,具有很高的辨识度,其ROC曲线的AUC值达到0.95。同时,本文对系统涉及的文本分析相关算法进行并行化测试,测试结果显示,并行化后的算法可以大大提高系统的效率。