文本情感识别是自然语言处理领域中的研究热点之一,其应用也拥有着巨大的社会意义和商业价值。文本情感识别算法主要包括了基于情感词典方法、基于传统机器学习方法和基于深度学习方法三大类。本文在总结基于词典方法和基于深度学习方法的基础上,并根据文本情感识别的实际应用价值,进行了以下工作:(1)在Scrapy机制下设计爬虫收集豆瓣网的影评,为减少数据中干扰数据和提高模型分类准确率,针对收集的影评数据集进行预处理,预处理包含了中文分词、数据清洗、去停用词等。为了给BERT模型的输入增加情感词特征,通过SO-PMI方法构建领域情感词典。(2)为了充分运用情感词极性特征、深度学习的表征能力和预训练模型的训练能力,本文采用了BERT-SVM深度学习模型。该模型以预训练模型BERT为基础,在BERT模型进行训练时引进情感词特征,以该种形式为BERT模型的输入增加情感极性特征,从而达到对BERT模型微调训练的改进,并在BERT模型微调训练结束后再利用非线性分类能力较强的SVM算法对特征进行分类。通过实验得到情感分类的平均准确率为89.95%,较于对比模型提高了文本情感分类的准确率。(3)在已构建的电影评论情感词典和BERT-SVM深度学习模型的基础上,设计并实现了面向电影评论的文本情感识别系统。该系统可分为数据输入、数据预处理、模型分类和分类结果分析与展示四个模块。该系统通过本文的模型对输入的影评文本进行预测,可以实现对大规模的影评的情感极性的自动分类,并最终将结果进行展示。影评文本情感识别系统的测试也表明了本文算法具有较强的应用价值。