随着互联网的不断兴起以及各大社交媒体的不断普及,拥有智能终端的用户可以随时随地的浏览时事热点报道。他们可以使用推特,微博,知乎等社交媒体平台及时的发表意见,交流观点。而在谣言监测和舆情分析等应用场景下,文本中所表达的用户立场倾向至关重要。但传统的人工抽样调查的方法存在成本过高,效率过低的问题。因此需要一系列自动化手段帮助我们从海量的社交媒体文本中识别出用户对于相关事件的立场。传统的情感分析技术仅对文本进行极性分析,不能对具体事件目标的立场进行分类。所以针对现有立场挖掘需求,设计新的立场挖掘方法及模型,提升现有算法的效率与准确率是本课题的研究重点,主要分为以下三点:1、基于深层长短期记忆网络和注意力机制的立场分类算法:首先,通过社交媒体语料库预训练词嵌入模型,提取词汇语义特征。然后,通过多层双向长短期记忆神经网络学习单词语义表示,结合注意力机制吸收话题特征,在不同数据集上进行对比实验验证算法效果。2、基于递归图卷积网络的立场分类算法:传统文本分类算法将文档视为单词序列,基于递归图卷积网络的文本分类方法将单词作为节点,将文档作为词汇图。本文针对立场挖掘任务特性,将用户的社交文本构建为独立的文档图,采用图卷积网络对节点特征进行更新,使用话题注意力得到文档表示向量,提升立场分类实验效果。3、文本立场挖掘系统的设计与实现:为了降低用户使用门槛,本文基于本课题所提出的算法构建了文本立场挖掘系统。本文对相关组件进行了详细设计,通过网页前端与用户直接进行交互,并对数据爬取模块与立场分类模块进行了功能测试,实现了一个简洁方便的文本立场挖掘系统。