随着移动互联网的发展,微博、微信、新闻门户网站等社交媒体在舆论传播方面起到了越来越重要的作用。比如微博中的用户可以自由的对某事件发表自己的评论和看法,用户对某一事件的情感表达往往会促使事件的迅速传播和发酵。同时社交媒体中大量积极或消极观点能够左右用户的行为,大量的负面观点会使得事态失去控制,从而引发恶劣的群体事件。因此,对微博等社交媒体的用户在特定事件下的评论进行情感分析,通过综合判断所有用户对某一事件的情感极性,寻找影响用户情感表达的源头,可以方便相关监管部门进行有效的网络监管和疏导。基于以上研究背景,本文以新浪微博作为研究对象,主要开展了以下三个方面的研究工作:第一:针对微博数据具有数据量大、数据嘈杂且无意义数据居多等特点,本文研究了Hadoop平台下大规模微博数据的预处理操作。第二:研究了用户和事件的向量化,不同用户往往会使用相同的词汇来表示不同的情感倾向,同时不同用户使用相同词语来评论不同的事件时也会带来情感上的差异,因此本文研究了用户和事件的向量化,用来更好的刻画不同用户和事件的信息表达。在用户向量化中,本文主要使用了用户的一般特征、行为特征和社交特征来刻画一个用户。在事件向量化中,本文使用了词共现模型来扩充事件关键词,通过对事件关键词的向量化合并来得到事件的向量化结果。第三:基于深度学习构建两种不同的微博情感分析模型。一种是通过残差网络和注意力机制来进行情感分类,并在中文酒店评论数据集和斯坦福情感树库数据集上得到了较好结果;另一种是基于用户和事件的层次网络模型,通过在深度学习模型中融入了用户和事件的信息,使得模型可以同时分析用户和事件的信息,达到更好的情感分析的目的。