近些年来,概率主题模型在文本分析领域的应用越来越广泛。这是因为主题模型用于文本分析有下面几点优势:一个是主题模型有良好的数学基础和可扩展性;二是主题模型相对于VSM而言,它建模得到的文本维度更低、计算复杂度更低;三是基于主题模型的方法一般都是无监督的方法,不需要人工定义的语义词典或者情感词典。目前已有主题模型以及它的扩展模型都无法分析作者的情感,因此本文提出了一个对作者情感建模的概率模型。己有的分析文本情感的主题模型建立了一个文本-主题情感-词的三层生成过程,这样的模型能够发现文本中的主题与情感信息。事实上,现在的文本大多都包含了作者信息,而且分析作者的情感具有很强的商业价值。目前的主题情感模型都没有考虑作者层的情感,更无法对作者进行挖掘分析,因此本文最主要是考虑如何在计算机中建立一个作者的表示方法以体现作者的情感并在这个表示方法下对作者进行情感分析。本文所做的贡献如下:(1)建立了一个基于LDA的概率模型,模型建立了一个作者-文本-主题情感-词的四层生成过程,这个模型称为作者主题情感混合模型。模型中包含3个待估计的参数:主题情感词的分布、作者的主题分布和作者在主题已知条件下的情感分布。对模型求解就是估计这3个参数的值,本文采用贝叶斯估计和Gibbs Sampling对模型中的参数进行估计。模型不仅能发现文本中深层次的语义信息和情感信息,还能发现作者的主题和情感信息。因此利用ATSM模型能直接分析作者的情感。(2)设计了一个对作者集合进行聚类分析的框架,这个框架专门针对ATSM模型表示的作者。聚类的结果是一个两层的结构,包括了外层的主题类和内层的情感类。主题类是根据作者的主题分布进行聚类得到的,情感类是对主题类中的作者进一步根据情感相似度进行聚类得到的。这样聚类的好处是能从主题和情感两个角度分析作者集。在进行聚类之前,本文还定义了相应的作者间的相似度。这个框架同样能对文本进行聚类分析,然后通过计算作者与文本类之间的相似度将作者划分到不同的文本类。因此利用这个框架能对作者集合进行情感分析。本文的实验分析了 ATSM模型中3个参数的物理含义并用困惑度对模型的泛化能力进行了评估。实验表明ATSM模型具有较好的泛化能力,并随着数据规模的增大以及迭代次数的增加,模型的困惑度下降。