随着互联网的高速发展,市面上涌现出了许多的优秀互联网应用,其中也包括微博这样具有社交性质的互联网应用。微博以其开放性、原创性、便捷性、草根性和背对脸等特点,在极短的时间内吸引了庞大的用户群体,成为了用户们最喜爱发声的“地区”之一。大数据时代的到来让人们逐渐发现了海量微博数据中存在的潜在价值,通过微博来了解用户们对当前话题所产生的情感,随即成为众多学者所追求的热点。微博情感分析主要是对微博的情感倾向进行判别,判别方法主要有基于机器学习的方法和基于情感词典的方法,这两种方法在文中均有所涉及。本文从扩充情感词典和改进情感分类方法两个方面进行了深入研究,主要工作内容如下:(1)通过制定数据降噪规则,扩充分词工具的用户自定义词库,去除停用词等步骤完成微博数据的预处理。利用投票机制和优先权机制对知网情感词典、台湾大学中文情感极性词典和大连理工大学中文情感词汇本体库进行整合,构建了基础情感词典。(2)在词典的扩充方面,本文在基于词向量的情感词典扩充方法中加入人工智能领域中常用的基于案例推理的思想,提出了C-word2vec模型。原始的word2vec模型在整个新情感词的识别过程中使用的基础情感词典是没有任何改变的,而C-word2vec模型会把新识别出的情感词加入基础情感词典,提高了情感词识别的召回率。(3)在规则的制定方面,本文综合考虑了否定词、程度副词和表情对微博情感分类的影响,制定了相应的情感打分规则。实验结果表明,考虑了规则的方法比没有考虑规则的方法准确率更高。(4)在基于机器学习情感分类方法的框架下,引入了情感词典和规则,提出了综合的情感分类方法。该方法让特征的提取不在局限于已经标注好的数据集,同时能够在提取到的特征中保留更多的词间语义。文本使用该方法在微博数据集上进行了验证,证明了其有效性和可行性。