基于神经语言模型的词向量表示技术,能够在大规模的未标注文本数据集中,从词语、短语和句子等不同粒度的语言单元中自动学习有效的文本特征表示,已经在许多自然语言处理任务中取得重要进展。本文的研究对象是微博文本的情感分类问题,具体研究内容如下:一、探索了中文微博的情感分析过程中,表情符号的情感指示作用及其与情感词的区别。通过收集训练集中的表情符号,并依据使用次数降序排列,同时对其进行情感标注,发现情感符号的使用频率越高,具有情感指示作用的可能性就越高,其情感明确的可能性也会越高;考虑表情符号与情感词在句子中的语法功能差异,对NLPCC数据集中4种最常用的情感分别选取5个最有代表性的表情符号和情感词,使用词的分布表示技术学习表情符号的语义表示向量。对两者的词向量空间进行PCA,观察二维空间中的映射关系发现,词向量空间具有一定的情感语义区分能力,且表情符号的区分度更高。同时,表情符号比情感词具有更强的多情感区分能力。二、提出了一种结合汉字和词语的平行通道词向量卷积神经网络模型,提高了微博的情感分类效果。由于中文微博面临分词困难和错误率高等难题,本文探索了汉字和词语分别作为语言单元时,对于利用传统机器学习模型和CNN模型进行中文微博情感分类的影响,实验结果表明两者各有优势,有效结合两种特征有利于提高分类效果。实验结果表明,忽略特征工程因素的影响,相对于MMNB和SVM两种基准分类器,本文提出的模型可显著提高中文微博情感分类的准确率1.72%到2.64%,并缓解特征空间的“维度灾难”。汉字和词语分别作为统计特征的基本单元,对于这些模型都有一定影响,有效融合两种特征可以提高中文微博情感分类性能。