随着“web3.0”时代以及新媒体时代的到来,以社交平台为载体获取最新资讯、传递个人观点、表达群体诉求成为社会发展的重要趋势。而情感分析的目的是为了找出表达群体在某些话题上或者针对一个文本观点的态度以挖掘出有价值的信息,这些有价值的信息可以服务方方面面。因此,情感分析起着举足轻重的作用。然而数据量的暴增,导致了情感分析过程中人力物力的大量损耗。在此基础上,计算机自动完成情感分析的技术应运而生。情感词典作为情感分析任务中极为重要的工具,其构建问题也逐步成为自然语言处理领域的热门研究方向。但现有的情感词典存在覆盖率有限、领域适应能力较差等问题。因此,构建覆盖率较广,领域适应能力较强的情感词典成为了此领域的核心挑战。本文将半监督学习方法-标签传播运用到情感词典的构建中,通过构建覆盖率广,领域适应能力较强的情感词典来提升对网络评论进行情感分析的准确率。基于上述的研究背景,本文针对网络评论情感分析所做的工作如下:1.为了处理情感词典覆盖率有限、领域适应能力较差等问题,本文提出了一种新的种子词选取方法。先基于通用词典人工选取种子词,再利用人工选取的种子词在语料上进行词向量训练,进一步选择从而得到扩展后的种子词。最后通过计算种子词与候选情感词的相似度构建传播图和传播矩阵,进一步使用标签传播算法获取情感词的极性以构建对应的情感词典。2.为了解决网络词语的涌现以及Word2Vec将不同极性的词语归为一类的问题,本文提出了基于Word2Vec和改进互信息的多分类情感分析。通过人工选择部分网络热词,基于语料进行词向量训练,然而Word2Vec存在将不同极性的词语归为一类的问题,所以在标签传播的过程中采用改进的点互信息PMI来计算词语间的相似度,一定程度提升了词语标注准确率以提升情感分析的准确率。本文分别在公开的电影评论数据集和亚马逊购物数据集上实验验证了提出方法的有效性。