二十一世纪是信息大爆炸的时代,人们每天被数据包围,被动接受大量信息.如何从大量信息中找到自己需要的数据信息,将被动接受转变为主动获取,逐渐成为我们关注的重点.视频弹幕作为一种即时的文本信息,慢慢地进入大众的视野.用户在观看视频时可以通过弹幕发表对视频当前情节的评论,从而与其他观众产生互动,增加了用户观看视频的乐趣.弹幕评论存在话题开放、多元化、情绪化等特点,弹幕文本分析可以为影视作品推荐、节目优化、热点事件管控起到辅助作用.因此,对视频弹幕的情感分析研究不仅能够为用户决策提供依据,而且可以帮助网络平台实现对公共舆论的监管,净化网络环境.为了对弹幕文本进行分析,本文考虑将Word2vec与改进的SO-PMI算法相结合来构建适用于弹幕文本的情感词典.首先,整合现有的情感词典,将多个情感词典求并集,对文本语料进行分词、词性标注,筛选出形容词、动词构成候选词集,并与整合的情感词典求交集.其次,使用Word2vec训练词向量转化为计算机能够识别的语言,利用TF-IDF值以及词语间相似度来筛选种子词集.再次,通过改进的SO-PMI算法来对词语进行分类,得到最终的情感词典.最后,比较Word2vec与改进的SO-PMI算法相结合方法、SO-PMI算法和改进的SO-PMI算法三种方法对于词语分类的效果.分析结果表明,基于Word2vec与改进的SO-PMI算法相结合的方法进行词语分类的精确率高.根据构建的情感词典进行情感分析.弹幕文本中含有大量的网络用语,与传统的词语不同,它们更加精简、口语化,部分网络用语含有强烈地情感色彩,所以本文整理弹幕文本中的网络用语补充到情感词典中.在此基础上,引入程度副词以及否定词计算情感值.利用人工对句子进行标注,并比对基于情感词典、朴素贝叶斯、支持向量机情感分类结果.通过弹幕文本词云图、弹幕数量及情感值随时间的变化进行可视化分析.情感值仅仅能够展现出观众评论的情感倾向,不能看出观众的关注点,因此,利用LDA主题模型挖掘弹幕文本中的潜在主题,进而分析出弹幕文本数据中集中关注点及相关特征词.结果表明,基于情感词典的情感分类效果最好,且观众对于剧中人物形象、剧情及场景制作方面的评价比较高.