情感词抽取是文本分析的首要环节,其精度和范围是情感词典构造、文本情感分类和情感强度计算等应用的关键。传统的情感词抽取方法包括基于情感词典的抽取方法、基于语法规则的抽取方法以及基于统计特征的抽取方法。由于单词具有领域依赖性(domain dependent)的原因,使得基于词典的抽取方法的抽取目标范围有限,而基于语法逻辑的情感词抽取方法在一定程度上解决了领域依赖性,但这种方法却将抽取目标局限于形容词。基于统计特征的情感词抽取方法能够解决前两种情感词抽取方法的不足,因此,本文在基于统计特征的情感词抽取方法的基础上,提出了一种结合多种统计特征的情感词自动抽取方法,并且通过对连续数值进行离散化处理,实现了自动确定特征值阈值的功能,有效提高了抽取方法的性能。最后,利用现有情感词典和文本情感分类测试检验这种抽取方法的效率。实验结果显示,结合多种统计特征的关键词自动抽取方法能够有效解决情感词典的冗余现象,并且提高了分类算法的准确率。文本的数据表达形式会影响文本分类算法的执行效率和分类结果的准确率。文本分类中常用的数据表达方法包括基于词典共现频率的方法、基于隐性语义空间模型的方法和基于神经网络语言模型的方法,上述文本数据表达方法往往存在生成稀疏矩阵、造成文本特征空间维度过大以及文本特征空间的创建过程过于复杂的现象。针对现有文本数据表达方法存在的不足,本文提出了一种基于特征重构的文本数据表达方法。这种方法首先利用单词的统计特征创建词向量,再通过相关性分析保留词向量中相对独立的统计特征,最后,在词向量的基础上创建文本的特征空间。这种方法能够有效降低文本特征空间的维度,具有隐性语义空间模型(LSA/SVD)的压缩效果。本文利用支持向量机、朴素贝叶斯、决策树和随机森林对测试文本进行情感分类,并根据分类算法的复杂度和分类结果的准确率评价这种文本数据表达方法。实验结果显示,这种文本数据表达方法在保证分类结果精度的前提下有效降低了分类器的复杂度。