随着web2.0和移动互联网的到来,网络已经不仅是获取信息的重要来源,同时也是发表自己的观点的平台。大量的用户参与到了微博、论坛、各大电子商物购物平台的互动中,表达自己的想法,包含了大量可供挖掘的情感倾向性信息。研究和挖掘这些信息是自然语言处理领域的热点问题,文本倾向性分析是其中重要的一环。在舆情分析、商品评论、智能导购等各领域都有发展需求。国内外学者对于文本倾向性分析研究主要是两种方法,一种是基于语义的方法,一种是机器学习方法。本文围绕基于语义的方法展开,在给出基于语义的倾向性分析的一般流程以后,并对其中涉及的评价单元识别、倾向性计算等关键环节进行了改进。本文的主要工作如下：(1)把Tri-training的算法思想引入评价单元自动识别中。评价单元由评价词与所修饰的评价对象组成,评价词与评价对象的不同搭配会影响情感倾向。利用Tri-training协同训练算法对评价单元进行识别,结合SVM、CRF以及最大熵三种不同的模型分类器。实验结果表明,该方法在识别性能上相较单一分类器有一定的提高。(2)基于语义的情感判断以各类字典为基础,因此,本文除了整理与整合了现有的情感词典、否定词词典、程度副词以及领域评价词典的同时,还引入了连词词典,使用于情感倾向分析时的词典更全面。(3)从短语级和句子级进行极性计算,进而计算文本的倾向性,其中包括了短语极性强度的计算和正负面的判断。借助于本文构建的词典,构建了评价短语的极性计算公式。并且以评价短语为基本单位结合评价对象,识别转折连词的句子结构特征对句子进行了的极性计算。结合句子和段落的情感倾向与其各自的权重,获得文本整体的情感倾向。在本文的实验中,改进方法的方法取得了良好的效果。