随着互联网在线网络用户数量的“爆炸式”增长,将海量数据不断的汇聚在一起,变成了个大的网络数据库,对数据库的内容进行加工和分析,就演变成了网络舆情平台。目前,舆情监控系统的研究越来越被学术界所重视,因为民情和民意往往会在海量的数据中获取到。许多中国学者经常会将微博、豆瓣、知乎等平台作为他们舆情研究的对象。近些年来,随着微信的普及和快速发展,微信已经被家喻户晓,大众们普遍接受了“快阅读、随手评”的方式,可以说更喜欢从微信公众号、微信订阅号等途径获取信息并发表言论。据研究发现,针对于微信公众平台的舆情分析相比于其他平台的研究显得不是那么火热,所以本文将微信中的微信公众平台最为研究对象,基于其的文本数据,分为三个部分来研究在舆情分析时使用的算法,分别是主题分类、摘要自动提取和情感分析。基于以上的考虑,本文首先研究的内容为主题分类,该部分基于较为流行的LDA主题模型为基础,结合了TF-IDF算法,设计了一种基于LDA的关键词匹配与主观统计价值词比对方法。该方法解决在使用LDA主题模型进行主题分类时,最优主题数目确定难问题。传统计算困惑度方法只能通过人工调整主题数量寻找最低困惑度来确定最优主题数目,调参次数少会导致模型尚未收敛,调参次数多会浪费计算资源。与传统方法相比,本文设计的方法聚类效果更好。随后研究内容是摘要提取,该部分基于TF-IDF算法并加以改进,设计了一种基于TF-IDF多特征的文本摘要提取算法,解决了传统方法仅依靠词频来确定词语所在句子权重问题。本文主要是在原来的基础上,在特征提取中加入了词的位置、词性、主题关键词的分析,通过加权求和的方式,改进权重计算方法,更加准确的提取摘要,通过实验验证了文本识别准确率及召回率与传统方法有较大的提高。最后研究内容是情感分析,该部分基于Word2vec和Doc2vec模型对比实验,并结合深度学习算法循环神经网络(LSTM),设计了一种基于Doc2vec模型和深度学习模型的文本情感分析算法。在传统方法中,Word2vec模型生成的词向量忽略了词语之间的语序,而Doc2ve模型是具有上下文分析的“语义分析”能力。该算法中LSTM能够具有长期的记忆性,保留了词与词之间的语义信息。因此,使用Doc2vec模型训练词向量,然后将生成的词向量作为LSTM输入,最终结果经过实验的验证,得到了更高的精确率、召回率、F1值。