文本情感分类是自然语言处理领域的一个子任务,随着用户生成内容的爆发性增长,已经成为当前研究的一个热点。用户生成内容增长的不仅是数据的规模,其涉及的领域也越来越广,受制于分类器的泛化能力,单领域的情感分类器已经不能满足现在的需求,多领域情感分类成为文本情感分析的突破方向。文本的特征化表示是文本情感分类过程中的一个重要步骤,Word2Vec模型是目前使用最广泛的文本特征化表示方法。Word2Vec模型通过上下文定义词向量,向量维度远低于其它表示方法,因此能有效地降低训练时间和系统的开销。但是,文本的情感信息主要来源于文本的情感词,而Word2Vec模型训练过程中平等考虑所有单词,使得相反极性情感词向量相似度过高,容易产生混淆。针对该问题,本文提出了一种基于情感字典Senti Word Net的Word2Vec改进模型,通过Senti Word Net把单词划分为积极情感词,消极情感词和客观词,依据其情感极性和强度训练情感分量,扩展原有的词向量,优化了词向量的情感表达能力,更有利于文本的情感分类。现有的多领域文本情感分类方法大多依赖于使用大量的训练集去提取领域文本的底层特征分布,构建相似度图,通过特征的迁移实现分类器的域适应。这类方法不仅构造的域适应模型结构复杂,而且迁移性能的好坏过度依赖于文本数据底层情感特征分布的相似度。针对这些问题,本文提出了一个双层的多领域文本情感分类模型。通过构建两个情感收集模块提取训练集的通用情感知识和特定于领域的情感知识,同时使用基于逻辑回归的情感极性判定模块把目标领域的特征向量映射到训练领域的特征空间,实现多领域文本的跨领域情感分类。本文提出的模型针对测试数据领域标签是否清晰,提供了有无调优集参与情况下的两种训练方案,少量的标记目标领域数据能有效的提高模型跨领域情感分类的性能。情感收集模块通过共享同类分类器可以简化模型的训练过程,能快速实现情感分类器的跨领域迁移。通过使用支持向量机算法实例化本文提出的模型,在Amazon-14商品评论数据集、Twitter推文数据集、Yelp点评数据集和IMDB影评数据集上对本文提出的模型进行评估。实验结果表明本文提出的双层多领域情感分类模型能有效地提高多领域文本的情感分类性能。