教学评教是高校保证教学质量的一个重要环节,通过对教学评教数据的综合分析,一方面可以得出学生对任课教师的满意程度,另一方面也可以为后续的教学工作提供有效的意见和建议。现有对评教数据的利用大多是对评教分数的简单统计分析,而对评教语句的关注较少。本文主要是对评教数据中的评论语句进行情感分析和主题聚类研究,其结果一方面可以辅助分析学生对教师的满意程度,另一方面也可以提取含有“建议”色彩的评教语句,同时也可以将含有相同主题的评教语句聚为一类,以实现更有针对性的分析。目前针对该问题的研究方法大多是有监督学习方法,依赖大量有标注的训练样本,如何在评教语句没有预先标注标签的前提下进行情感分析和主题提取,并保证可靠的准确率是一个研究的难点。针对上述问题,本文的主要研究内容和创新如下:以情感词典作为先验知识,结合重新计算的评教分数制定出了一套可以生成带标签训练样本的强规则,然后通过数据增强方法对训练样本进行数量和特征的扩充,最后使用融合LSTM和Text CNN作为分类模型并优化输入向量,预测未通过强规则筛选的数据的情感极性。实验表明,该方法的综合准确率达到86.06%,优于其它“无监督”方法。分析了用于文本数据增强的EDA方法的缺陷,在原方法的基础上引入了信息增益约束,提出了基于词语的Word-EDA方法和基于句子的Sen-EDA方法。实验表明,Word-EDA较原方法在不同模型上有1.05%～2.36%的提升,Sen-EDA方法可使模型准确率提升2.8%～3.4%。针对评教语句存在文本特征稀疏的问题,使用训练好的Word2vec词向量对其特征扩充以增加相同主题的特征词共现频率,并对其使用LDA方法进行主题分析和KMeans方法进行主题聚类。实验表明,使用改进后的方法的主题聚类效果较原方法效果提升了8.1%。