随着互联网基础设施日益完善,网络平台特别是社交媒体平台已经逐渐成为人们针对热点事件发表观点、表达情绪的重要渠道,针对社交媒体文本的情绪分类研究也受到了越来越多的关注。现有工作大多忽视了社交媒体特有的情感信号,限制了准确性的进一步提升。本课题基于微博数据展开研究,将其中的事件信息和用户信息引入情绪分类模型。对于事件信息中的情感信号,本课题基于词汇被用于讨论不同事件时可能会表现出不同情感色彩的现象,提出基于事件建模的微博情绪分类模型。该模型基于特定事件相关的微博语料构建事件文本图,利用图卷积神经网络建模图中词汇与情感之间的关联,并将图中信息与微博文本自身的情感语义信息相融合,最后依据融合信息判断微博文本的情绪类别。对于用户信息中的情感信号,本课题基于用户发表的历史微博挖掘用户情感特征,提出基于用户建模的微博情绪分类模型。该模型一方面分析用户历史微博中涉及的话题类别以及各类话题的分布比例信息,将其作为情绪分类的辅助特征;另一方面挖掘用户历史微博中的词汇共现信息,从而建模用户通过特定词汇所表达的个性化情感语义。该模型综合上述两种用户信息以及微博文本自身的情感语义信息判断情绪的类别。本课题在上述研究的基础上进一步探索事件信息和用户信息的联合建模方法,提出基于事件和用户建模的微博情绪分类模型。在建模微博文本情感语义的基础上,该模型一方面将事件文本图与用户历史微博相结合,构建事件用户分层文本图,实现事件相关语料和用户历史微博的有机整合;另一方面分别对事件微博语料和用户历史微博进行话题分析,并利用双仿射机制建模两者的相互影响。实验结果表明本课题提出的三种模型有效地实现了对事件信息和用户信息的建模,也印证了引入事件信息和用户信息有助于提升微博情绪分类的准确性。基于事件和用户建模的微博情绪分类模型在本课题所用的数据集上的指标超过了当前的SOTA模型。此外,本课题基于模型提取的部分事件信息和用户信息开发了可视化demo。