近年来,随着社交媒体的快速发展,网络用户间的交流也越来越密切,形成了庞大而密集的社会关系网络。用户不再局限于彼此分享内容,甚至还会公开表达自己的情感。这种情绪的传播会沿着整个关系网络不断向外扩散蔓延,进而对用户的行为产生未知的影响。因此,对于社交网络的情感分析已经引起了越来越多的研究关注。本文作者经过对现有用户情感极性分析的文献研究后,发现大多数研究都是从用户的文本数据出发,即通过自然语言处理技术识别文本的情感倾向,而对于从网络结构的角度研究用户情感极性的文章,要么是基于简单的友谊关系,要么是基于网络嵌入模型,但这类研究往往存在分类精度欠佳或可解释性差的缺陷。因此,本文基于改进以上缺点的初始想法,提出了融合网络多层级信息的用户情感极性分析方法。在本文中,我们将使用有关用户情感极性的大规模数据集,从四个不同的网络层级上,为用户自身情感与用户的社会关系存在某种关系提供证明。同时,我们还将证明通过融合多层级网络中用户间隐性的影响关系,可以在情感分析方面取得精确度更高的结果。我们主要研究工作如下:1、对于二元组网络,我们主要依据的是情感网络中的互惠理论（或同质性原理）,证明就情感网络而言,只有积极用户才表现出同质性,而消极的用户并不会如预期那样更倾向于与消极用户建立联系。2、对于三元组网络,我们根据情感网络中的结构平衡理论,将社交网络中基于边的结构平衡理论推广到了网络节点上,最终提出了情感平衡理论,并证明就情感网络而言,积极用户更倾向于与其他积极用户建立小组,随着消极成员的增加,最终形成三元组的可能性就会降低。3、对于社区网络,我们主要从社区规模大小和社区结构特性对用户情感极性的影响进行研究。可以发现社区规模越小,社区成员的情感越相似。当社区连通度较低时,即当社区与网络的其他部分割裂时,该社区的主观幸福感（SWB）也较低,社区成员更倾向于表现消极的情感。4、对于整体网络,我们证明了真实的情感网络通常会表现出一种核心-外围结构,即网络是由密集的核心和稀疏的外围组成,并且积极用户是整个网络的核心,而消极用户则是网络的外围。此外,我们还基于情感联系模型改进了Node2vec算法,我们将边的权重设置为节点之间情感联系强度值,并将权重应用于采样策略,最终得到节点的低维向量表示。5、基于对以上不同层级的网络研究,我们将来自不同网络层级的特征进行融合,通过特征选择技术筛选出共计41个特征作为节点的输入,然后使用图卷积模型进行用户情感极性分类。最终,我们得到了较为精准的预测结果。我们认为使用网络中不同层级提取到的特征信息作为节点的属性特征,一是能够克服图卷积模型随机生成节点属性特征所带来的结果不稳定,二是通过多个网络层级特征的融合能够弥补单个网络层级特征的不足,三是为最终模型的结果提供了可解释性。