微博作为一种新型的社交网络平台,能随时随地发布简短且内容丰富的文本,这些信息有可能代表用户的观点或喜好,挖掘用户这些信息对舆情监控、市场营销、谣言控制等都有重要意义。目前,对文本的情感分析侧重于简单的积极、消极二值分类。由于微博文本存在口语化严重,数据稀疏等问题,因此对情感深层次的细粒度判别是十分重要且必要的。本文工作包括以下两个方面:(1)针对有明显情感词的微博,设计了一种基于情感元素模型的微博细粒度情感判别方法。根据依存句法,分析出句子中词语间的依存关系,找出副词、否定词等词语级情感影响因子,建立情感元素模型并计算分值,对每种粒度分别进行求和,将最大值所对应的细粒度作为微博的情感的策略。(2)针对无明显情感词的微博,设计了一种多特征支持向量机的微博细粒度情感判别的方法。首先,在特征选择阶段进行改进,针对传统卡方检验(CHI)特征选择不稳定性,只考虑微博条数而未考虑词频,提出一种卡方检验-词频逆文档词频(CHI-TFIDF)的特征抽取方法,将词频、逆文档词频引入到CHI算法中。实验表明改进的CHI算法相比传统CHI稳定性和有效性均有所提高。将上述得到的特征词再结合微博句子结构和语义等特征引入到支持向量机算法中,训练模型最终得到细粒度判别结果。将本文提出的方法与传统的机器学习算法支持向量机进行实验比较,准确率和F值均高于支持向量机的,原因在于对有多重情感倾向的微博使用情感元素模型判别方式判别更准确。2014年以本文提供的方法参加第三届自然语言处理与中文计算会议发布的中文微博情绪识别与分类评测任务,在五个队伍提交的七组结果中取得第二名好成绩。