随着新媒体时代互联网技术和网上媒体平台的不断发展,网络舆情在社会上广泛迅速的传播。文本类型的网络舆情主要有两大特点:一是具有较强的倾向性,二是倾向性分布的不平衡。不平衡文本倾向性分类成为解决这一问题的关键性技术,以机器学习为基础的不平衡文本倾向性分类虽然能够在一定程度上提升分类器的性能,但是面对海量数据时会存在特征维数过高的缺陷,不能有效地选择出对类别贡献度高的特征词。三支决策在处理不确定信息方面有着较大的优势,能够综合考虑特征词的重要程度,从而选择出最具类别代表性的特征词。因此,本文结合三支决策理论,对特征选择算法展开研究工作,提出一种全新特征选择算法TWDFS。此外,本文在深度学习方面,提出一种多通道模型融合的分类方法,能够充分提取出文本中的深层语义信息,有效地提高分类器的性能。本文的主要研究工作主要包括:1.本文根据不平衡文本倾向性分类中特征分布和样本分布的特点,结合三支决策的基本思想,提出了一种全新的特征选择算法TWD-FS。首先,利用两种有监督特征选择方法生成特征词集合;其次,将两种有监督特征选择方法相结合,有效地减少了特征词的数量,降低了特征维度;最后,通过组合正负类情感特征,缓解了情感特征的不平衡性。在SOCC新闻评论数据集上的实验结果表明,本文所提出的TWD-FS算法可以有效地提高不平衡文本倾向性分类的性能。2.本文综合考虑多个深度学习模型之间的优缺点,以及文本分布不平衡的特点,利用模型融合的思想设计出一种新的模型多通道TR-LSTM-CNN来提升整个算法的性能。首先,通过多通道随机欠采样的方式,构建多组情感倾向分布平衡的文本集;然后,通过Transformer学习到整个文本的深层语义信息,生成文本的全局语义向量;其次,利用LSTM模型和CNN模型生成文本的局部语义向量;最后,将两者拼接起来作为最终的语义向量。在多组新闻评论数据集上对比多种深度学习模型,验证了本文提出的多通道TR-LSTM-CNN模型的优越性。