随着社交媒体的发展,用户产生内容（UGC）成爆发式增长,这些带有特定情感信息的内容大部分都以短文本的形式出现,主要是用户对于事物或者行为发表的意见,如果能够利用这些大量的数据采用有效的方法来挖掘UGC中有价值的情感信息,这对于个人、企业、政府、国家、社会的政策与规则的制定具有十分重要的意义。大数据时代已经来临,如此庞大的数据对情感分类研究领域来说是一个契机,但也对情感分类研究带来了巨大的挑战。这些挑战主要表现为短文本特征高维稀疏、特定的算法在面对高维特征时会出现维度爆炸现象,特征选择过程中的不确定性对算法稳定性具有较大影响,数量级较小的词典或知识库在面对大规模数据时会出现词语覆盖面小、跨领域适用性差等特点。本文通过对相关短文本情感分类方法的介绍,探讨相关情感分类方法存在的问题。针对存在的问题,本文基于奥卡姆剃刀原理、大数定理、TF-IDF思想,提出一种利用大规模标签语料抽取语料的词频特征、并在此基础上设计了一种短文本情感分类模型--大规模全词频特征模型,这种模型与传统的短文本方法相比,精简了特征选择过程,将所有文本特征纳入模型,减少了特征选择带来的不确定性的同时提高了特征覆盖。实验结果表明,大规模全词频特征模型对特征维度的敏感性较低,并且语料数量对于模型运行效率的影响呈边际递减趋势,同时随着语料数量的不断增加,大规模全词频特征模型的情感分类准确率也不断增加,这表明本文所提模型在大数据环境中具有较好的适用性。通过与朴素贝叶斯、逻辑回归、支持向量机、随机森林、神经网络五种较为成熟且性能稳定的分类器进行对比实验,验证本文全词频特征模型的有效性。同时通过对酒店评论以及外卖评论的分类实验,验证大规模全词频特征模型较强的跨领域适用性以及较好的泛化性能。