在互联网迅速发展以及人们对自身健康日益关注的背景下,国内外近几年有关医疗健康的网络社区不断涌现,发展迅速,用户量大且不断攀升。网络健康社区以其方便便利、自主性强、无地域差异及高度整合医疗资源的优势,成为人们管理自我健康的平台。因此,通过相关研究来加深对网络健康社区的认识和了解显得尤为重要。本文总结前人对网络健康社区的研究,选取三九健康网的肿瘤问答版块的数据,从网络健康社区的主题和情感角度切入,分别基于LDA进行主题识别和基于支持向量机进行情感分析,并对分析结果做综合讨论。本文内容主要从六个部分展开:第一部分,对研究对象的国内外研究现状进行分析,掌握研究的前沿进展。第二部分,研究了网络健康社区、信息需求、主题识别和情感分析的相关理论和方法,这为网络健康社区的主题识别与情感分析奠定了基础。第三部分,深入探究LDA主题模型的基本原理,构建基于LDA的网络健康社区主题识别模型。通过Doc2bow和TF-IDF提取文本特征,建立LDA主题模型,识别网络健康社区中隐含的主题。第四部分,提出基于支持向量机的网络健康社区的情感分析方法,构建基于支持向量机的网络健康社区情感分析模型。从数据中抽取一部分手工标注积极和消极的数据作为训练集,采用word2vec进行特征抽取并将文档转化为向量。通过支持向量机对文本分类、训练,并利用最终生成的分类器对实验数据进行预测,得到积极和消极文本所占比例。第五部分为实证研究,首先,利用困惑度确定最佳主题数量,并据此识别主题及各主题下的关键词分布,通过人工标注和对比分析,对主题进行归类合并,大致可以合并为:病理与病因、检查与诊断、治疗、术后、并发症、预防、饮食、就医指导等8类主题,详述各类主题下的主题内容,并对各主题类别所占比例做相应的分析。其次,基于支持向量机将实验文本分为积极和消极两部分,分别占78%和22%,并解释出现这种结果可能的原因。最后,对主题识别和情感分析的结果做综合讨论,即各主题下文本的情感极性分布,结合实际情况和文本内容,对各主题下积极和消极情感所占比例做简单分析。然后根据实际情况,分别从网络健康社区本身、医生、患者、研究等四个方面对研究结果的进一步应用做了合理的推想。第六部分为总结与展望,对本研究做了相应的总结,并依据本文的研究情况,对之后的探索进行展望。