网络舆情是指在网络用户对热门话题或者某些实时新闻持有的不同看法以及发布的网络评论的总和。如今,无论是在社交平台还是新闻网站,每天都会产生海量的舆论信息,但是由于网络监管较为宽松,越来越多的人会在网络的各个平台上任意的发表自己的想法,其中某些极性的语言容易引导错误的舆情方向。因此需要一种高效的文本倾向分析方法来处理网络上海量的信息,并及时的发出舆情预警,这对营造良好的网络舆情环境,保证我国网络舆情环境安全起到至关重要的作用。为了研究如何高效的对文本信息进行向量化表示。本文针对文本语言表征模型BERT模型进行优化,将输入层的位置嵌入部分进行参数优化,只考虑词与词之间的相对位置,在一定程度上,减少了模型的训练参数,缩短了训练时间,提高了模型的泛化性。为了对网络评论文本信息进行更加准确的分类。本文首先提出了一种基于词级,语句级,上下文级的多级别特征提取模型,通过特征拼接融合,最大程度地避免了数据信息损失;然后设计了一个基于多标签原理的标签树分类方法,在每个根节点放置一个Softmax分类器,通过训练数据集的训练,得到子标签,通过子标签概率来预测标签,即形成一颗标签树,即将文本情感分类问题转化为对标签树进行路径搜索问题。