随着互联网技术的迅速发展,越来越多的用户热衷于在网络上对产品、服务、时事等发表评论。如果能自动挖掘出这些主观性文本中蕴含的情感倾向,对个人、企业、政府等有着巨大的应用价值和经济价值。文本情感分类技术正是解决这一问题最有效的工具。半监督学习作为一种普适性的机器学习技术,能够充分利用未标注样本提升分类性能。针对文本情感分类很多场景面临标注语料不足、而标注样本费时费力的情况,本文主要围绕半监督学习情感分类展开研究。本文主要创新点如下:一、本文提出了基于分层抽样随机子空间的协同训练情感分类算法。该算法采用分层抽样的方法构建子空间,改进了将随机特征子空间半监督学习算法直接应用于文本情感分类中可能会存在部分子空间不包含强相关属性的缺点,算法在确保子空间多样性的前提下,有效提升了每个子空间的充分性。实验表明,本文算法的分类效果要优于基于随机特征子空间的半监督学习算法以及其他部分常用的半监督学习算法。二、本文提出了基于多样性与高置信度估计的半监督情感分类算法。该算法结合样本的后验概率和先验分布信息,改善了增量式自训练算法在迭代训练的过程中易引入误标记样本的问题。其次,为了避免引入的样本分布集中会造成数据空间与真实分布不一致的情况,算法通过多样性度量来保证彼此差异性。实验表明,与部分常用的增量式半监督学习算法相比,本文提出的算法有更好的分类性能。