随着网络大数据时代的兴起,许多带有观点色彩的舆论数据层出不穷,网络中的各色观点也带动着不同的舆论走势,所以舆情数据的倾向分析也越来越受到许多学者和政府部门的关注,舆情数据大多是评论性的文本内容,数据倾向就是文本内容的褒贬程度。本文对网络评论数据进行了倾向分析,引入了语言处理,主题提取,机器学习等相关知识,达到提高倾向分类精确度的目的。本文的研究工作如下:1.网络舆情倾向分析影响因素。本文对舆情分析的特征选择阶段和主题提取阶段进行了研究,找出了其对倾向分类结果的影响,并利用组合分类器模式作为主要倾向分类方法。着重分析了不同人群观点差异对倾向分类结果的影响,并结合现阶段的研究模式,对相关阶段的算法进行优化。2.主题提取模式研究。分析主题观点的形成过程,明确主题观点在整体倾向分析过程中的重要性,将观点的形成过程与LDA主题模型相结合,并验证了 LDA模型对最终倾向分类效果的影响。在倾向分析的过程中,对特征提取阶段的相关算法加入了词频影响因子进行优化,并对优化后的算法进行验证,找出了最为高效的特征项提取方式。3.舆情数据倾向分析方法研究。针对网络舆论数据的复杂性,为了快速得出倾向分析结果,引入了机器学习理念,依据组合分类原理,在分布式框架上搭建分类器,提高了数据倾向分析结果的速度和准确性。结果表明:主题提取模型对舆情观点的形成过程描述精确,在主题观点提取模型基础上对特征选择方法进行优化,并结合分类器进行验证,可看出优化后的特征选择方法对倾向分析结果有明显改善。最终结合分布式框架构建组合分类器,使得数据倾向分析的速度和准确率显著提高。