随着互联网和社交媒体的快速发展,网络中出现了大量的用户发布的主观性文本。这些文本覆盖了用户对于产品的评价以及民众对于社会热点事件的反应等大量内容,因此自然语言处理领域的意见挖掘、舆情分析和文本情绪分析引起了众多研究者的广泛关注。目前的文本情绪分析相关研究大多集中于文本情绪分类等方面,但缺乏对情绪产生原因的深入研究,因此本文的研究集中在从文本中发现触发情绪产生的原因。目前文本情绪原因发现相关方法主要分为基于规则的方法以及基于统计的方法两类。前者需要人工构建规则库,其完备程度无法保证;而后者往往使用文本情绪表达相关的用词以及短语结构特征,其有效性依赖于大规模的标注语料库。针对现有方法存在的不足,本文分别研究基于记忆网络和基于多核支持向量机的文本情绪原因发现方法,并在此基础上通过集成学习实现对二者的结合,以进一步提高情绪原因发现的性能。本文的主要工作包括两部分:针对现有工作往往忽略情绪表达关键词与情绪原因之间关系的不足,本文研究结合注意力机制的记忆网络。利用网络中的多层注意力计算对于输入的情绪表达关键词与待判断子句之间的关系进行建模,使得网络能够通过注意力机制对于情绪表达关键词所对应的原因文本核心词进行锁定,进而判断出情绪原因所在子句。在EMNLP 2016数据集上的实验结果显示该方法取得了69.55%的F值,相比于基线方法提升了1.99%。考虑到记忆网络能够对文本情绪相关的因果关系进行建模,但忽略了文本情绪原因表达自身的一些特征,本文提取了情绪原因序列特征以及情绪原因句法树特征,将多项式核函数与卷积核函数相结合,构建了一种基于多核支持向量机的文本情绪原因发现方法。在此基础上,设计了一种集成学习的方法,分别将基于记忆网络以及基于多核支持向量机的方法作为基分类器,通过Bagging的方式进行集成。在EMNLP 2016数据集上的实验结果显示,该方法取得的F值相比于基线方法提升了7.69%,达到了目前已知的最高水平。