随着互联网的迅速发展,网络中产生了大量数据信息,其中很大一部分信息蕴含着人们的主观观点和意见,网络信息有效利用的问题日益突出,因为这些信息具有难以估量的价值,所以自然语言处理成为当前非常热门的领域。评论文本的情感倾向性分析是该领域相关研究的主要内容之一。本文以文本语义情感分析为主要研究对象,对文本分析的基本概念和相关理论进行研究和分析,具体研究内容如下:(1)研究了不同停用词表的使用对文本情感倾向性分类的影响。本文首先在传统停用词表的基础上构建了情感分析专用的停用词表,使用不同的停用词表处理后,利用TF-IDF训练词频权重作文本特征,并通过SVM分类器分别做了针对特征选择和文本倾向分类实验。实验表明使用情感停用词表处理后的特征候选集包含了更多的情感信息,并且正向性文本分类的最高准确率可达81.94%。(2)分析时间长短对评论投票机制的影响,并提出了相应的投票标准。针对网络购物平台中八个不同类别的产品评论进行数据处理,合并基于词典方法提取的特征和文本的统计特征项作为分类依据,最后使用线性回归模型对文本评论有无用进行了预测,不同的产品类别取得的结果也不相同,针对积累时间越久远的评论预测的结果会更好,所以加入时间特征的评论投票标准可以使语义情感分析中使用的“答案”更加准确合理。(3)研究深度学习特征提取方法。通过计算词语之间的相似度,获得包含着深层语义信息的低维词向量。以Word2vec训练词向量平均值作为特征,并融合基于统计方法、情感词典方法得到的特征做分类器的输入,采用SVM多分器对评论文本进行了四分类。实验结果表明,该方法解决了传统特征集无法深入反映文本语义的问题,提高了 SVM分类器的分类精度。(4)为进一步提高分界面附近样本的分类精度,提出了改进的SVM多分类算法。以分类器的支持向量为标准,对于识别为某类的样本,根据设定的阈值判断其位置是否在分界面附近,若该样本可能是误判样本,利用KNN算法二次分类判断出该样本类别。实验表明,在四分类实验中,分类准确率最高可以达到85%,F值也比普通SVM多分类的结果高约4个百分点,因而,结合KNN算法的SVM多分类器算法能有效地提高分类精度。