在Web2.0技术广泛普及的时代,互联网信息技术不断发展与成熟,各大社交与电子商务平台快速兴起,网民不但能从互联网上摄取信息,而且还拥有了分享自己想法、观点的话语权等。由于我国网民规模和互联网普及率的不断扩大,门户网站已经成为了主要的信息发布渠道,越来越多的网络用户在门户网站上表达自己的情感、分享自己的观点,这使得门户网站上的评论信息日益增长,产生海量无规律的评论文本数据,且这些数据不断地实时更新。如何在短时间内提取到实时更新的海量无规律的评论文本数据背后蕴藏的巨大商业价值和舆论价值信息并通过建立模型进行情感倾向分类已经成为了自然语言处理领域中的一个重点研究内容。本课题出于精确高效考虑,提出了一种基于遗传深度置信网络(Genetic Deep Belief Networks,GDBN)和XGBoost(eXtreme Gradient Boosting)的门户网站评论情感分类模型。该模型利用GDBN提取从门户网站上爬取的中文评论文本数据的深层次特征,然后通过基于代价敏感学习(Cost Sensitive Learning,CSL)的XGBoost算法进行情感倾向分类。本文的评论情感分类模型主要包含特征提取和模型分类两个部分。第一部分,通过遗传算法(Genetic Algorithm,GA)解决传统深度置信网络(Deep Belief Networks,DBN)中的隐层神经元数目难以选择的问题,提高了分类模型的灵活性、提取评论文本深层次特征时的准确性和模型的运行速率;第二部分,结合CSL和XGBoost算法的优点提出基于代价敏感学习XGBoost算法,然后利用该算法对GDBN提取到的评论文本深层次特征进行情感倾向分类。最后,本文将中科院谭松波教授收集的携程酒店用户评论语料和基于Scrapy框架的爬虫爬取的京东电商平台上的手机部分评论作为模型的实验数据集,并在实验数据集上对本文提出的评论情感分类模型进行了测试,测试结果表明:本文所提模型在文本情感分类方面具有更高的拟合和泛化能力,能够准确、高效、快速的完成门户网站上评论情感的分类。