随着信息技术和互联网的飞速发展,越来越多的互联网用户在各种网站上分享经验和发表评论,这些评论文本表达了评论者的观点和情感,用户也习惯于从互联网的各种评论中获取信息,为自己的某些决策寻找参考意见。分析用户发表在互联网上的评论,能够发现用户情感的演化规律,挖掘其中的潜在信息,具有巨大的应用价值。但是目前互联网上的信息量增长迅速,我们迫切需要借助自动化工具,在大量的信息来源中迅速获取我们真正需要的信息,从而应对信息爆炸带来的挑战。如何对这些包含大量信息的互联网评论文本进行情感分类、挖掘其中蕴含的情感信息是自然语言处理领域的研究难点,也已成为商业智能领域的关注热点,由此引发众多研究人员进行相关研究,文本情感分析相关技术应运而生。文本情感分析是一个综合性的研究领域,目前主流的研究方法分为两种类型：无监督的文本情感分析和有监督的文本情感分析。无监督的文本情感分析主要是运用情感词的相关信息进行文本情感倾向判别,有监督的文本情感分析主要是运用朴素贝叶斯、支持向量机等有监督学习算法进行情感分类,一般是将文本集合划分为训练集和测试集,再对文本分词处理、删除停用词、选取特征,将文本表示成为文本向量的形式,最后训练分类器并进行分析。本文在针对无监督学习中文文本情感分析的研究中使用中文情感极性词典NTUSD和HowNet词典的并集组成基础词典,使用微软云平台提供的Bing Search API,并改进开源Python库使之支持中文和查询结果缓存,在中文语料库上改进并实现了SO-PMI-IR算法。在此基础上提出了针对上述基础词典进行筛选的SO-PMI-Lexicon算法,通过调节SO-PMI阈值,保留其中有明显情感倾向的词,提高了分类准确率。在针对有监督学习中文文本情感分析的研究中,对数据挖掘工具Weka进行二次开发,对电商评论语料库应用主流的有监督学习算法(SVM, Naive Bayes,Decision Tree)得到基准实验结果,并尝试将语料库中每个有意义词的正则化的SO-PMI值作为文档向量的权值,改进了SVM算法的运行效率。