1、互聯(lián)網(wǎng)中各類評論信息數(shù)量巨大、變化迅速，海量的評論表達著信息發(fā)布者的情感傾向，這些信息對于政府部門的輿情監(jiān)控、企業(yè)的經(jīng)營決策和個人的購買決定，都起著至關(guān)重要的作用。但通過人工收集分析這些數(shù)據(jù)不僅成本較高，也無法滿足時效性要求，因此文本情感分析受到了學(xué)術(shù)界與工業(yè)界的廣泛關(guān)注。主題模型是能夠從大規(guī)模離散數(shù)據(jù)集中自動提取隱含語義信息的生成概率模型。近年來，主題模型在文本分類、圖像分類、熱點事件監(jiān)測、多文檔自動文摘、推薦系統(tǒng)等領(lǐng)域得到了廣泛應(yīng)用

2、。主題情感混合模型以主題模型為基礎(chǔ)，可以無監(jiān)督地提取語料的主題信息和對應(yīng)的情感傾向，在文本情感分析領(lǐng)域得到了越來越多的關(guān)注。
　　本文針對長文本和短文本的不同特性，分別提出了詞加權(quán)LDA算法（Weighted Latent Dirichlet Allocation Algorithm，WLDA）和BJSTM模型（Biterm Joint Sentiment Topic Model，BJSTM）。
　　針對長文本，本文針對現(xiàn)有

3、主題/情感聯(lián)合分析方法中主題間區(qū)分度較低的問題提出了WLDA算法。通過在吉布斯采樣中對不同詞匯賦予不同權(quán)重，增強了具有情感傾向的詞匯在采樣過程中的影響，從而改善了主題間的區(qū)分性。實驗表明，與JST模型（Joint Sentiment/Topic model，JST）相比， WLDA不僅在采樣中迭代速度快，也能夠更好地實現(xiàn)主題提取和情感分類。
　　由于短文本具有稀疏性，面向短文本的主題/情感聯(lián)合分析方法較少，本文針對這一問題提出適用