随着国内互联网的高速发展,网络舆情分析对于维护社会经济发展变得越来越重要。网络舆情分析技术主要包含了网络数据搜集、数据预处理、舆情分析三个重要部分。其中主题事件演化模型通过对时间序列的网络舆情数据进行分析,提取到数据集中主题随时间的变化情况。而深度学习技术的快速发展给基于主题模型的情感分析带来了新的发展,主题模型作为一种文档主题生成模型,可以和深度学习序列建模的特性实现优势互补。微博、电商以及各种论坛的快速发展,给大众表达自己的观点带来了极大的便利。用户规模和数据量随时间的不断增加,给网络舆情分析带来了新的挑战。因此,本文以主题事件演化模型为研究对象,结合深度学习技术的发展,开展主题事件演化模型在主题演化和情感分析方面的研究,实验表明深度学习技术在提高数据分类准确率方面可以给主题演化和情感分析的研究带来新的提升和发展。本文关于主题演化模型的网络舆情分析的研究内容主要包含以下三个方面:(1)本文围绕网络数据的获取和自然语言处理中的预处理技术进行了研究,重点研究了现有爬虫框架、网页数据解析技术以及数据去重的方法,数据预处理过程中的分词、去停用词以及词的编码方法、特征提取方法、相似度度量方法等。通过对网络数据爬虫技术的研究保证了舆情分析的数据来源,自然语言处理中的预处理技术的研究发现了传统方法上的不足。(2)在现有主题演化算法的基础上,建立了基于主题情感极性的主题演化算法。通过构建语料集的词嵌入模型,提高主题情感极性的分类方法,计算主题情感因子,将主题情感因子引入到主题演化的过程中。实验表明,本文提出的融合词嵌入的主题情感极性分类方法准确率高于传统的主题情感极性判断方法,在此基础之上的主题演化算法的困惑度优于改进前的方法。(3)研究了融合LDA(Latent Dirichlet Allocation)和自注意力机制(Self-Attention mechanism)的情感分类方法。通过将主题事件演化模型简化为LDA模型,然后进行情感分析研究。针对LDA模型的基于整体文档主题生成过程,将每条评论数据和主题信息进行拼接输入到词嵌入模型进行训练,使得在进行自注意力机制分类之前的词向量空间中相同主题信息的数据余弦相似度更小。在公开的短文本情感分类数据集上实验表明,本文提出的融合主题信息的情感分类方法优于当前主流的基于LSTM(Long Short-Term Memory)和注意力机制相结合的集中方法且模型复杂度更低。