近年来,在互联网的快速发展下,各类电商平台及社交软件用户数量极速增长,产生了海量的文本数据。发掘出海量文本数据中存在的共性与发展趋势进行决策判断,可以带来巨大的经济效益。情感分析(Sentiment Analysis)是分析文本蕴含情感类型的主要技术之一,深度学习算法在情感分析任务中有着良好的表现,而对于情感分析算法的优化,大都着重于对文本数据的向量化表示方法以及如何构造高质量的深度学习分类器。但数据本身若与情感程度关联性较低甚至无关,即使有着强向量表达形式或高质量的深度学习模型,对无关词进行向量化与分类计算也将造成计算机资源浪费。针对上述问题,本文着重于特征工程,以文本数据为研究对象,基于LDA(Latent Dirichlet allocation)主题模型提出两种改进算法,本文主要创新点如下:(1)构造三层模型TI-b LDAs(TF-IDF between LDAs),结合LDA与TF-IDF的特点,筛选出主题较为明确的若干单词,再通过TF-IDF筛选出重要性较强的单词,最后经过第二次LDA主题模型划分为N类,取权值较高的若干单词构建特征词库。(2)巧妙地构造了超参数c,v。在第一次LDA主题分类后,筛选出每个主题中前M个权值较大的词,得到M*K个词及每个词对应的权重,计算出N×K维词-主题分布矩阵w,得到每个词的概率分布后与c,v进行条件判定,筛选符合条件的词作为特征词。本文提出的方法在学术界权威数据集IMDB及SST-2上进行了详细的实验,使用目前四种主流模型进行实验对比,实验表明使用TI-b LDAs特征词选择出的样本句向量在二分类任务中的精度和效率上要优于通用特征工程的处理方式。因此,本文的方法可为情感分析的应用研究提供一定的参考意义。