近年来,互联网中的社交媒体信息迅速增长,利用好这些网络文本数据,并挖掘和分析其中有价值的情感信息,是非常有意义的。所以情感倾向性分析任务已经成为了自然语言处理领域的研究热点。海量的网络文本中,包含观点句和非观点句,其中的观点句也就是主观性文本才是情感分析研究的对象。因此本文首先实现了对主观性文本的分析和提取,再对主观文本进行了进一步的情感分析,研究其是否能够辅助情感倾向性的计算。论文的主要工作包括:(1)在进行情感文本的识别过程中,本文将词语的词性特征作为主客观分类的重要线索。根据词性标注的结果总结了九类主观特征的词性种类。将词性特征与词向量拼接,结合卷积神经网络,并通过实验确定了词性向量的合理维度和卷积核的大小,设计了基于词性特征和卷积神经网络的主客观分类模型。根据实验结果统计加入词性特征使得模型准确率提高了 2%,并比传统的基于N-POS和支持向量机的主客观分类模型准确率提高了将近4%。(2)在进行主观文本的情感倾向性计算时,文本中的转折句和总结句影响着整个句子的整体倾向性。因此本文提出了基于主干分析的情感分析计算方法。本文总结了包含23个转折性连词和总结性连词的连词词典,通过与连词词典匹配识别出整个句子的主干成分。实验结果表明,加入句子的主干分析的情感分析方法比原情感分析模型的准确率提高了 1%。(3)在文本的各个分句中,不同的程度副词对情感词的修饰表达出的情感强弱不同。据此,本文提出了情感权重词向量的情感分析方法。根据不同的程度副词,结合程度副词词典,赋给词向量相应的情感权重。实验结果表明,情感权重词向量的方法比原情感分析模型的准确率提高了 1.6%。(4)本文最后设置了六组情感分析模型的对比实验,使用LSTM神经网络模型,基于情感权重词向量和主干分析的情感倾向性计算方法与基模型比准确率总体提高了大约2.6%。基于主干分析和情感权重词向量的情感分类模型比传统的基于情感词典和支持向量机的情感分析方法准确率高出8%。实验结果表明,加入情感权重词向量和句子主干分析方法对于情感分析是合理有效的,准确率得到了提升。本文对未进行主客观分类的文本数据进行了情感分析实验,结果表明主客观分类后的文本减少了客观文本对情感分析带来的噪声,有助于情感分析的准确性提升。