当今,随着电子商务相关在线平台变得愈加成熟,智能手机等移动终端的遍及也使得用户生成内容遍布互联网。用户评论作为用户生成内容的典型代表,是企业和消费者共同关注的重点,企业通过文本评论挖掘创造商业价值,消费者购买决策受用户评论影响。文本挖掘俨然是当前的热点研究话题,其中文本情感分析是最具代表性的解决方法。然而,当前文本情感分析主要以单步决策为主,忽略了决策的动态性;同时传统文本情感分析研究主要从分类精度出发,极少考虑决策行为产生的代价以及代价的不平衡性。因此,本文将动态决策和代价特征加入到文本情感分析中,为文本情感分析研究提供了一条新思路。首先,引入粒计算思想构建动态决策框架。粒计算是解决复杂问题的有效方法,通过粒子对客观事物进行抽象表示,并采用多层次粒结构完成问题的动态求解。本文采用LDA和NMF挖掘潜在影响因素,然后提出封装式、嵌入式、集成式和加权组合式的粒化准则,采用自上而下拆分型粒结构搭建出具有动态决策的粒化模型。然后,利用三支决策思想构建具有代价敏感性的动态文本情感分析模型。结合三支决策的代价敏感性,在决策过程考虑了误分类代价和学习代价最小原则,由此判断文本情感极性。基于粒化模型的多层粒结构生成动态决策框架,在各粒层采用三支情感分析或二支情感分析来完成模型构建。最后,使用真实数据集来证明本文构建的动态文本情感分析模型的优势性。并且基于模型有效性和决策方法有效性两方面,对模型从分类质量和分类代价两个维度进行综合评估。由实验对比结果可知,本文方法不仅提高了分类质量,而且还使得整体的决策代价明显降低。除此,还对企业提出了有效建议,帮助其更好的挖掘用户评论价值。在企业实际运用中,本文方法不仅能帮助企业实现具有低代价的动态文本情感分析,还能对用户评论进行快速响应;进而可获取潜在影响因素和情感标签来增加企业拥有的信息要素;最后还能对企业的战略目标提供相应的决策支持。