文本情感倾向性分类(Text Sentiment Classification)是目前文本分类技术领域中的一个热门研究方向。它通过过滤出文本中的主观内容并进行情感倾向性分析,识别出文本所属的褒贬类别。在当今大数据的背景下,互联网上每时每刻都在生成新的用户数据,因此急需对这些不断累积的文本内容进行高效地分析处理,识别其情感倾向性。通过对互联网上的这些文本进行情感挖掘,无论是对电子商务领域中所进行的商品推荐,还是帮助政府进行舆情监管,都有着重大意义。目前对文本进行情感倾向性分类的主流研究方法是利用基于统计的机器学习技术,支持向量机(SVM)算法是一种具有相对良好的分类效果并得到广泛应用的机器学习算法。然而现实工程应用中样本却是不断积累的,传统的SVM分类算法不能够直接进行增量学习,为了减少新增样本加入后重新训练模型的时间并能适应海量数据的准确分类,本文从增量学习的角度改进传统的SVM算法,并将SVM增量学习算法引入文本情感倾向性分类领域。本文在研究了SVM算法的特点和相关增量学习算法的基础上,首先在训练集预选方面,采用构建保留集的策略,提出了一种新的样本选择方法——缩放平移选择法,弥补了样本保留的缺陷。其次,本文提出了一种新的基于组合保留集的SVM增量学习算法CRS-ISVM(Combined Reserved Set ISVM)。该算法采用了组合保留的思想,不仅选择原始训练集中部分非支持向量样本加入保留集并赋予样本权重,还对新增样本中符合KKT约束的进行部分保留,最后再依据权重挑选部分保留样本与原SV集和新增样本中违背KKT约束的合并进行训练,从而实现原有样本知识的积累和新样本知识的学习。通过将CRS-ISVM算法与另外四种类似ISVM算法进行性能对比实验,从实验结果能够看出,CRS-ISVM算法可以在一定程度上提高分类精度,并能够减少分类时间,提高分类效率。最后,本文将基于组合保留集的SVM增量学习算法应用到文本情感分类领域,在提取了不同文本特征的基础上,构建出了增量学习系统,以适应对不断新增的样本进行情感分类的处理需求。实验表明了基于SVM增量学习的文本情感分类系统在保证分类精度的前提下,能够有效减少历史数据的存储,并加快了分类速度。