随着互联网的不断发展,人们越来越多的从网络上获取各种信息,判断这些信息的褒贬倾向受到了许多研究者的关注。情感分析可以用来对社会舆情、产品评论、微博中反映的观点进行分类,提取出文本中的褒贬倾向,从而促进人们对某一事物的理解。本论文主要着重于产品评论的情感分析,对网上的产品评论进行分析,从而得出人们对这个产品的褒贬倾向。一些研究者已经应用无监督学习来计算产品特征的情感值,并取得了不错的效果。在文本级和句子级的的情感分析中,监督学习也得到了广泛应用。在本研究中,无监督学习和监督学习将会被同时用来对在线产品评论进行情感分类。首先,编写了一个爬虫程序从京东商城上提取出正、负各3321篇关于三星手机19100的评论,接着对评论进行去重、分词、标注等预处理,提取出其中的情感词,并使用结合HowNet褒贬义词和网络词汇,构建一个面向手机评论的情感词典。然后,在监督学习中,提取出形容词、副词、语言规则等作为特征项,构建一个特征空间,并使用信息增益(IG)和互信息(MI)对特征项进行筛选,去除冗余信息,并使用LIBSVM分类器对文本进行正负极性分类；在无监督学习中,把否定规则、强化规则和连词规则用于情感值的计算,通过运用语言规则来提高情感计算的准确性。最后,设计了一个基于无监督学习和监督学习的手机评论情感分类系统,通过监督学习的方法对文本进行正负分类,并利用无监督学习来计算每个评论的情感值。结果表明,把语言规则用于特征空间的构建可以提高特征空间的性能,从而影响到分类的准确率；把无监督学习和监督学习结合在一起不仅能得出评论的正负极性,并能把每个评论的情感强度量化出来,取得了较好的实验效果。