网络技术的不断革新,越来越多的互联网产品成为人们日常生活的必须品,例如Twitter、微博、亚马逊商城等。这些产品不仅服务用户,也是数据产生的良好平台。对这些平台产生的文本数据进行情感分析有利于理解大众想法,帮助商家优化产品,控制舆论导向等,情感分析技术已经被应用到了学术和工业界的各个。尽管如此,评论情感分类仍然是一个挑战,因为评论无长度限制,评论中包含着大量噪声数据,长度不受限,且无任何情感标签等。使用监督学习方法进行文本情感分类时,往往需要手动标记大量的文本数据。为了减少人工的参与,研究提出了一种基于用户评分评论相似的标签数据扩充方法,该方法可以在一定程度上减少监督学习方法所需的人工标记评论的数量。为了进一步降低情感分析任务对标签数据的需求,本研究在标签数据扩充方法的基本思想上,提出一种用于评论情感分类的多源信息融合的情感词典构建方法。该方法可以融合现存情感词典、少量标签数据、大量无标签评论数据以及评分数据四个来源中提取的四种情感信息生成带有情感极性值的情感词典。本研究还使用了一种基于ADMM算法的优化方法用于求解所提出模型的求解。最后,在五个真实的亚马逊商品销售数据集上进行了大量实验,结果表明提出方法生成的情感词典用于文本情感分类的准确率对比目前主流方法生成的情感词典有显著的提升。以上数据表明,提出的情感词典构建的方法优于目前主流的情感词典构建方法,为以后这个的研究人员提供了一定的理论支持和实践参考。