文本分类技术能够有效地管理海量的文本数据,现在文本分类技术已经有了良好的发展。近年来,随着互联网技术的飞速发展,很多社交平台也应运而生,比如微博和微信等已成为人们日常交流的主要渠道,而其中的文本蕴含着巨大的信息量。这些简短的文字被被企业或研究人员研究,进行文本情感分析是其中的一个研究方向。短文本的特点一是数据稀疏性,特征空间中的特征数相对于一个短文本十分庞大,短文本的特征向量十分稀疏;二是特征的维度高,由于特征数目多,特征空间的维度非常高;三是由于短文本的简短,导致特征表达信息能力不足。由于这些特点的限制,在短文本中使用传统的文本分类方法不太可行。尽管近年来对短文本分类算法进行了很多研究,但是在当前科学技术高速发展的背景下,短文本的快速增长是时代潮流。关于它的研究还不落伍,短文本分类技术在原有的基础上还可以做出很大的提升。本文针对短文本这三个特点,建立了一种短文本的特征化分类模型。先对短文本的文本特征进行特征扩展,然后提出了一种短文本特征的组合加权方法,最后训练分类器。该模型可以有效提高短文本的情感分析正确率。提出了一种基于频繁词集的特征扩展方法。定义了单词的情感类别倾向性和单词间的情感同向关系,通过计算词集的类内支持度和词相关度,提出了一种改进的Apriori算法,使得挖掘出的二元频繁词集具有情感同向关系。对于短文本中的每个单词,从总的词集中寻找包含有该单词的二元频繁词集,将其作为扩展特征加入文本向量中。最后在SVM分类器上训练分类模型。通过实验对比来说明改进的Apriori方法对比原方法的有效性,也通过实验证明了基于频繁词集的特征扩展方法能改善短文本的数据稀疏性并且提高分类效果。提出了一种短文本特征的组合加权方法,可以有效提高特征的表达能力并且降低特征空间的维度,从而提高情感分析正确率。以随机森林为基础评估特征对于情感的贡献度并排序,进而依排序来进行特征选择;继之,考虑特征在文档中的重要性,以特征在文档中的重要性和情感贡献度确定该特征的权重。最后在不同的分类器上训练分类模型,对比基准方法该方法成功的提高了短文本的情感分析准确率。并且在特征扩展的基础上,使用该方法会得到更好的正确率和F值。本文详细的介绍了模型的建立和模型所使用的方法。从物理意义和实验结果说明该模型的可行性和有效性,很好的解决短文本的数据高疏性、特征高维度和表达信息能力差的问题。