互联网的快速发展使得更多的人在网络上表达自己的情绪、态度和看法,因此形成了大量的舆情文本。如何从海量的舆情文本中挖掘分析民众情感态度,为引导舆论方向和舆情的监控预警提供支持,成为了比较热门的研究方向。情感倾向性分类作为处理舆情文本的有效手段也受到了学者的广泛关注。当前,基于深度学习的情感倾向性分类方法获得了不错的效果,注意力机制的引入更进一步提高了分类的精度。但是,现有的融合注意力机制的方法大多只关注了词语语义信息的学习,对词性信息的学习关注较少,忽略了词与词性之间的情感联系,而且分类精度也有待提升。此外,实际场景中普遍存在的数据不平衡问题会干扰模型的训练,从而影响情感倾向性分类的效果。因此,本文展开了如下研究:(1)将Focal Loss引入到情感倾向性分类中,动态地调节训练过程中各类样本在loss中所占的比重,减少多数类样本对loss的贡献,使模型更关注少数类样本的学习。(2)针对现有深度学习方法词性信息利用不充分问题,提出了一种融合词性和自注意力机制的情感倾向性分类模型(Part-of-Speech based Transformer Attention Network,pos-TAN)。该模型选用了Transformer Attention Network(TAN)作为基础网络结构,采用自注意力机制来进行文本特征表示,而且将词性信息融入到网络的不同层次中,结合词性注意力(POS-Attention)来重点关注词性中蕴含的情感信息的学习。(3)为了使pos-TAN模型保持轻量的同时还能有较高的分类准确度,本文借鉴知识蒸馏技术,将预训练后的BERT模型作为teacher模型来指导pos-TAN模型进行训练,使得pos-TAN模型通过蒸馏学习到BERT模型的参数和泛化能力。(4)舆情文本情感倾向性分类系统的原型设计与实现,将情感倾向性分类技术应用到实际场景中,对舆情文本进行情感倾向预测和分析。实验结果表明,Focal Loss的引入使得TAN模型在各数据集上的分类准确率提升了0.5%到0.8%,词性信息的融合使其进一步提升了1%左右。而且pos-TAN模型在与baseline的对比实验中,在五个数据集上都表现得不错。此外,经过BERT蒸馏过的pos-TAN模型能够以较小的参数量和更快的推断速度达到比较接近BERT的预测效果。