微博话题几乎涵盖了所有生活中的事件,尤其热门话题的讨论最能提升微博用户的参与感,提高微博用户在平台上的社交意愿,增加微博用户与平台的亲密关系,从而形成一个重要的传播网络。微博话题吸引了众多对某事件感兴趣的人群,形成了一种新颖的信息传播形式和社交分布圈。因此对微博话题的情感分析对研究这一传播方式有很重要的意义。但随着网络时代的来临,网民数量急剧增长,微博博文量级呈指数增长,普通的单机串行的情感分类方法已经很难处理如此庞大的数据,且运行时间过慢,还可能有做成系统崩溃的可能性。基于此,本文将着重讨论Spark平台对大量微博数据进行高效处理等技术手段,通过探究、分析、实验等方法证实使用Spark平台进行混合学习的情感分类算法可以大幅减小串行下对该话题的情感分析时间,从而实现较快的情感分类。本文在传统文本预处理算法与情感分类算法的基础上,对基于Spark分布式平台的情感分类关键问题进行了研究,具体工作总结如下:1、首先收集用户对话题的情感分析的需求,并做调研分析,据此确定本系统的总体架构,包括数据库和web开发框架的选择,并在这个基础上确定系统的软件分层逻辑架构设计,最后完成对系统的总体功能设计。2、提出了基于改进的情感词典和BI-GRU的混合学习情感分析模型,在第一阶段利用基于改进的情感词典的情感分类方法来确定得分极高或极低的文本的倾向。第二阶段,基于深度学习的方法在情感倾向模糊的数据集上效果更好,再通过BI-GRU单元得出剩余文本的情感极性,并通过实验证明了本文提出的这种混合模型相较于其他现有模型有一定的效果提升。3、结合本文提出的情感分类算法的特性与Spark计算分布式计算平台的特点,实现了基于Spark平台的并行化的情感分类算法。利用NLPCC会议的数据集进行了并行情感分类的实验与分析,证实了Spark分布式平台处理大数据的可扩展性和优越性。4、最后在确定的系统架构的基础上,搭建了Hadoop和Spark等大数据分布式平台,并实现了以前后端分离的react+Spring Boot框架,将产生的文件部署到Nginx中的方式,实现了基于分层逻辑架构的软件系统,实现了本系统的各功能模块,包括情感分类、情感报告、用户管理和任务管理等功能模块。通过系统测试,验证了本系统的稳定性和高效性,且能满足用户的提出的需求,具备了初步的使用价值,并也具有很好的拓展价值。