如何评估消费券政策的效果是疫情期间的热点话题,由于时效性差、影响因素难以掌握,传统的调查问卷和经济模型很难反映其真实效果,与此同时,大众的各种情绪和态度通过在微博等平台的纯文本评论、点赞等信息行为得到释放。情绪分析是基于自然语言处理的技术,用于从海量文本中了解大众对某一实体的态度。本文从消费者的角度出发,借助情绪分析技术分析微博评论,进而了解消费券政策的响应情况。具体的研究工作如下:第一,文本情绪分类。词向量表示是情绪分类的关键步骤,词向量模型（Word to Vector,Word2Vec）获取的是静态词向量,无法解决一词多义等问题,而基于全词遮掩技术的编码器表征预训练模型（Pre-Training with Whole Word Masking for Chinese BERT,BERT-wwm）充分学习了上下文的语义信息且考虑到了中英文的差异。本文以提升情绪分类的准确率为目标,采用BERT-wwm与卷积神经网络（Convolutional Neural Networks,CNN）相结合的方法,构建了BERT-wwm-CNN模型对爬取的微博文本进行分类,并借助评价指标对比分类效果。第二,文本主题挖掘。潜在狄利克雷分配模型（Latent Dirichlet Allocation,LDA）能进行隐式语义分析,可以用于识别文本语料库中包含的主题。为了快速从大量文本中了解到网友关心的话题,本文借助LDA模型,研究了郑州两期消费券政策的网友微博评论内容的主题变化并分析可能产生这种变化的原因,同时发现郑州第二期消费券门槛过高可能是导致消费券被非法套现的重要因素。此外,本文将LDA模型的主题对应词与文本情绪分类模型结合,观察分类模型剔除主题对应词与随机词后的分类效果,实验结果表明LDA模型中的主题对应词是影响情绪分类模型分类效果的关键词。