情绪分析的目标是将文本按照文本包含的情绪,如:生气、开心、惊讶等对文本进行自动地分类,它是按照文本情感倾向将文本划分为正负类的情感分析任务的延伸,在商品或电影评论分析、舆情分析等多个领域有广泛应用。目前,情绪分析仍然是一个研究难点,特别是短文本的情绪分析。有监督的机器学习方法是解决情感分析最常用的方法,其缺点是需要大量的高质量标注数据,但数据标注耗时耗力,且当分类粒度越来越细时标注难度也会增加。因此,本文首先对比分析不同特征表示方式对短文本情感分析的影响,然后重点研究使用迁移学习方法解决短文本情绪分析缺乏标注数据的问题。本文的主要工作和贡献如下:短文本情感分析特征研究特征选择是情感分析至关重要的一步。本文首先分析了新浪微博数据的特点,设计启发式与统计相结合的方法发现新浪微博中的表情符号,俚语等新词;在word2vec模型的基础上提出了基于词性标注的词向量产生模式;评估了词汇特征和词向量特征对情感分析的影响;在情感分析任务上实验分析了word2vec模型参数对词向量性能的影响以及CBOW和Skip-Gram模型的性能。基于样本的情绪分析迁移学习考虑中文短文本缺乏标注数据的问题,本文在Ada Boost模型的框架上进行了改进,提出了基于样本的情绪分析迁移学习算法EATAda Boost(Emotion Analysis Transfer Learning based on Ada Boost)。该算法的出发点是最大化的利用源数据的样本,采用基于词向量的文档语义相似度,以通用情感词为媒介,计算源数据样本与通用情感词的语义相似度确定样本在迭代过程中的权重更新方法。除此之外,实验分析了采用不同词向量组合方式表征样本语义对情绪分析的影响。基于参数的情绪分析迁移学习本文在神经网络模型上设计了两套情绪分析迁移学习框架,充分利用可获得的中文情感分析数据集,采用两步迁移的方法实现数据源之间的迁移和类别之间的迁移,并实验对比了LSTM模型和CNN模型在情绪分析迁移学习上的性能。