随着世界和我国的电子科技和互联网技术的快速进步和发展,以及现代智能手持通信设备的普及,新浪微博因其低门槛和自由的信息传播特点,已经变成了现代人们获取信息以及分享生活的一个平台,当用户想发表自己的看法或者观点时,可以通过微博来发表,他们也可以转发、关注和评论其他用户的微博。微博已经成为了突发事件舆情传播的重要工具和载体,在舆情传播中发挥着重要的作用。如何准确地发现那些在突发事件微博中引发的舆情观点和话题,并对其情绪进行分析,已经成为了社会专家学者们研究的重要热点问题。因此,在海量的微博数据中及时挖掘出微博舆情话题和掌握民众的情绪对于企业和政府在处理舆情的工作中有着重要的参考价值和指导意义。本文以突发事件的微博舆情为研究对象,以话题发现和细粒度的微博情绪分析作为研究内容。阅读了大量的相关文献,分析并总结了话题发现和情绪分析的研究现状,整理了相关资料,梳理了基础的理论知识,在此基础上,进行了对话题发现和细粒度微博情绪分析的深入研究,本文的主要研究工作内容如下:1.微博舆情的话题发现。由于微博文本语言简练、字符量较少,传统的LDA主题模型对于短文本的微博话题发现的效果欠佳,针对部分微博文本内容较短从而影响话题发现效果的问题,本文提出了一种短文本的扩充策略。在此基础上,提出一种基于LDA模型融合BC-BIRCH层次聚类算法的话题发现模型,该模型通过合并相同话题簇的方式来提高话题发现的效果。相较于单一的话题发现模型和聚类算法,本文提出的模型在话题发现效果上有一定的优势,适用于微博舆情的话题发现。2.微博的细粒度情绪分析。针对目前大多数情绪的分类模型仍然停留在平面型以及粗粒度的分类问题上,本文提出一种多层次的微博细粒度情绪分析模型,该模型融合了朴素贝叶斯和一种改进的随机梯度下降法。其中,针对粗粒度的微博情绪分类,本文采用的是朴素贝叶斯分类器,对细粒度的情绪分类则采用的是一种改进的随机梯度下降分类器,该模型的总体思想是先实现局部最优,从而达到总体最优。相较于平面型分类器而言,不仅大大减少了计算的复杂度,提高了分类效率,而且从分类的结果上来看,分类效果的提升也是十分明显的。本文采集了新浪微博的真实数据,对上述的工作方法进行了实验和验证,通过数据对比分析实验与本文提出的话题发现模型和细粒度情绪分析方法进行对比,实验结果表明本文所提模型和方法要优于其他算法。