社会化媒体,即网络社交媒体,是人们可以分享彼此观点、经验和见解等的工具或平台。如何对评论文本进行分类,提取出其中的有效信息,情感分类技术尤为重要。本研究旨在更好地捕获上下文语义信息,提取上下文语义特征,进一步提高情感分类效果,为此,在前人研究的基础上提取上下文语义特征,对特征向量进行改进,用以提高文本情感分类效果。首先,构建情感词典资源,包括基本情感词典、网络情感新词词典、否定词词典、连词词典、程度副词词典和停用词词典。前人对情感词研究较多,而对标点符号在文本中的情感作用研究较少,本文归纳了标点符号在文本中的情感作用,构建了情感符号词典,设置相应的权值。对基础词典进行扩展,通过研究,给出一种基于Simple Good-Turing平滑的SO-PMI情感词典扩展算法,构建扩展情感词集1;同时,结合Word2Vec词向量工具计算语义相似度得到扩展情感词集2;最后结合两种方法构建的扩展情感词典,进行融合、去重,人工筛选后,构建扩展情感词典。通过实验仿真表明,构建的情感词典是有效的。然后,研究句子级情感分类,提取情感单元,构建句子情感向量。根据句子是由多个不同词性和符号的组合构建而成这一特性,构建了5项情感单元,包括诸如连词、否定词、程度副词、情感词和情感符号等在内的上下文语义信息。在句子向量化中,利用Word2Vec工具对预处理后的句子进行向量表示,结合构建的情感单元,调整原词向量以获得句子情感向量,使用基于注意力机制的双向长短期记忆网络模型进行句子级情感分类。实验结果表明,该方法有效地提高了句子级情感分类。最后,结合句子级情感分类研究,展开篇章级情感分类。首先使用Doc2Vec模型将篇章进行向量化,结合句子情感倾向和句子位置等上下文语义特征对篇章向量进行调整,得到篇章级情感向量,将基于注意力机制的双向长短期记忆网络模型用于篇章级情感分类。实验结果表明,该方法有效地提高了篇章级情感分类。