随着移动互联网的发展,网民在微博等社交媒体上发布自己的观点和评论信息。这些评论信息往往蕴藏着网民各种各样的情感倾向,如何从主观性文本中挖掘出网民的情感倾向受到研究者广泛关注。通过分析主观性文本信息可以了解网民对于网络舆情事件的看法,为舆情监管、分析预测和合理引导提供辅助决策支持和依据。如何提高文本信息挖掘精度,有效分析网民对网络舆情事件的态度倾向,具有特殊的理论意义和现实价值。本文从文本特征提取方法上逐步优化模型,提高情感分类准确性,对“新冠肺炎事件”进行网络舆情文本情感分析,挖掘网民对事件的态度与情感倾向。主要工作如下:本文对舆情文本进行情感分析,利用BERT的混合模型提高了文本情感分类的精度。首先介绍BERT模型,在BERT模型的基础上改进并提出M2BERT模型,对BERT模型隐藏层输出的句子长度的维度分别求均值与最大池化进行拼接,将拼接词语的语义特征输入到深度学习的模型进行文本情感分析。M2BERT模型生成的词向量可以较好解决一词多义的问题,通过双向LSTM模型可以获取更深层次的特征。在对比实验中混合模型的F1值有一定提升,说明混合模型在文本情感分析有一定的效果。为了更好地对情感特征进行智能化提取,本文提出将舆情分析中的先验情感知识与BERT模型相融合,在BERT模型的预训练任务中融合相关的情感知识。通过预训练任务中的情感检测和情感掩蔽预测出缺失的情感知识,利用深度学习的模型获取更深层次的特征并进行情感分类。融合先验情感知识的BERT模型与其它模型进行对比实验,在新浪微博评论数据集上评价指标F1值又进一步得到提高,并且通过ROC与AUC讨论了模型的有效性。最后在BERT改进模型基础上,对“新冠肺炎事件”相关舆情文本数据进行实证分析。实证分析中包括时序情感演化分析、演化阶段分析以及正负极性差异化分析,从实证分析中发现:在“新冠肺炎事件”衍生的子事件中,网民的正面情感与负面情感有不同变化;网民在不同的时间段表达的情感态度有一定程度的差别;舆情事件的情感演化过程具有阶段性;在不同的主题下,网民对于事件的态度也存在差异。通过改进的模型对“新冠肺炎事件”的情感分析,对舆情引导给予启示。