随着电子商务、社交平台的兴起,网上的评论文本急剧膨胀。如何自动分析这些海量的评论文本信息,是自然语言处理领域的一大挑战。情感分类是分析这些主观性文本信息的有力手段。情感分类在商业决策、信息检索、信息安全等方面有着重要的应用价值。相对于普通的特征项来说,情感知识具有强烈的情感色彩。嵌入知识可以充分利用中文文本所含的情感因素,在一定程度上简化分类模型的构建。结合知识嵌入的思想,本文对中文文本情感分类中特征的有效表达、分类器的构建等进行了研究,主要研究内容及创新点有:1.提出了一种基于知识嵌入的特征权重计算方法。在中文文本情感分类中,传统的特征表达通常忽略了语言知识的重要性。通过构造一种特征嵌入模式将词性或情感词对情感分类的贡献度嵌入到传统的TF-IDF(term frequency-inverse document frequency)权值中。其中,情感贡献度通过粒子群优化算法获得。最后,采用支持向量机完成分类。实验中,对比了不同知识的嵌入情况,包括词性、情感词及词性和情感词的组合。实验结果表明基于词性嵌入的方法分类性能最优,可以显著提高中文文本情感分类的准确率。2.提出了一种基于词性嵌入的核超限学习机中文文本情感分类。针对传统情感分类算法存在的参数学习困难、分类性能较低等问题,考虑将核超限学习机应用于情感分类。通过信息增益对训练数据进行特征选择以降低输入维数,并构建基于小波核超限学习机的分类器实现对中文文本的情感分类。实验结果表明基于核超限学习机的情感分类方法参数学习容易,且其文本情感分类性能通常优于支持向量机和朴素贝叶斯。之后,将词性嵌入方法和核超限学习机结合起来实现情感分类。实验结果表明,增加词性嵌入方法进一步提高了核超限学习机的分类性能。