随着移动设备和移动网络的快速发展,绝大多数人都可以通过联网设备进入到互联网中,人们可以很容易通过很多社交平台来表达自己的情感倾向性。当这些带有主观情感倾向性的观点达到一定数量时,这些观点将产生巨大的应用价值和商业价值。如果观点数量巨大,仅通过人力来判断其情感倾向性,虽然分析的效果会比较好,但是将耗费大量的人力,而情感分析算法却可以在很快的时间判断出这些观点的总体倾向性。本文主要研究聊天记录和产品评论的情感倾向性。聊天记录属于偏短型文本,产品评论属于偏长型文本,产品评论的观点倾向性比聊天记录要更明显一些,本文基于情感字典,SVM和深度学习等多种算法实现了对两类数据的情感分析。本文使用了同样的算法对两类数据进行情感分析并对比效果,除了探究不同算法对实验结果的影响,对于同一种算法本文还探究了不同参数值对实验结果的影响。对于情感字典,本文设计了情感值的计算规则并进行了测试,发现效果并不是很理想,一方面是情感字典本身的局限性,另一个方面是情感极性数量比较多使得阈值不好确定。对于SVM算法,本文设计了多种不同的特征提取方式,这些特征包括词向量,词频和文档特征向量以及它们的组合特征。经过测试,发现词向量和文档特征向量组合在一起是一种不错的特征提取方式。对于深度学习,本文设计了六种类型的情感分析模型,其中主要使用了LSTM、Attention和CNN以及它们的组合结构,这些网络结构都有自己的优点。LSTM擅长学习文本序列特征,BiLSTM是LSTM的改进,既能学习上文信息又能学习下文信息,Attention擅长提取重要信息丢弃不重要的信息,CNN则擅长学习局部特征和深层次特征。经过测试,BiLSTM加上Attention后,发现Attention机制确实可以改进原有的模型。本文设计了两种多个CNN与BiLSTM组合的神经网络模型,这两种模型在产品评论上都取得了非常好的效果。总体而言,如果语料足够的话,深度学习表现的比情感字典和SVM更好一些,主要得益于深度学习结构复杂和参数多,学习能力很强。在各种算法中,产品评论的准确率比聊天记录高,本文针对聊天记录语料的缺陷做了部分优化,并取得了一定效果。本文除了研究情感分析算法外,还把情感分析算法应用到了云联络中心中。传统的客服服务结束后一般都是通过客户人工打分,经常会出现很多次服务后没有评价,从而不能获取服务的质量。本文通过应用情感分析技术分析客服和客户的聊天记录来对服务进行满意度评分,经过测试,大部分对话的评分达到了预期的效果。满意度评分除了能监控服务质量还能影响对话搜索,本文还实现了基于满意度评分的对话搜索。当客户通过对话搜索来查询问题的时候,搜索算法会结合关键字评分和满意度评分这两种影响因子来给对话排序,经过测试,效果比只根据关键字评分的效果要好。