1.一种基于语义本体库中文文本情感分析方法，其特征在于包括如下步骤：步骤1、获取关于目标对象一定数量的结构化评论组成待分析的语料库，根据权威机构提供的情感本体库，结合语料库通过语义分析泛化得到情感本体库，情感本体库包含情感极限和情感程度；

步骤2、对情感词匹配和情感词关系预处理，将语料库进行分词、文本分析、匹配本体库和评论句子中情感词，标注情感词的情感信息以及上下文对应的依存关系；其中，情感信息包含词的情感强度、情感极性和情感词词性；

步骤3、情感计算和情感倾向判断；

根据评论中情感信息以及依存关系，结合系统规则进行情感值计算，确定评论的情感倾向再结合机器学习方法二次处理，得到最终情感倾向结果；

步骤1所述情感本体库构建，具体步骤如下：

步骤1-1.使用网络机构中现有权威的情感本体库，去掉重复词之后作为原始本体库；

步骤1-2.从知网中下载同义词林，将原始本体库进行同义扩充；

步骤1-3.为了得到丰富的情感本体库，引入word2vec工具，该工具能根据输入样本泛化推理得到和情感词语义相似的词；首先，将评论数据通过word2vec训练，得到向量空间，将本体库内情感词输入与样本空间中的词做相似计算，取出相似排名靠前的5个相似词；使用SO_PMI公式分别计算本体库情感词和筛选出的相似词的相关度，筛选得到更为丰富的情感本体库；

SO_PMI定义了点互信息量的概念，用来计算两个词之间的语义相关性：P(w1&w2)表示词w1和w2同时出现的概率，C(w1&w2)表示词w1和w2同时出现的次数，N代表频率；P(w1)表示词w1出现的概率，P(w2)表示词w2出现的概率；C(w1)表示词w1出现的次数,C(w2)表示词w2出现的次数；

对于未知情感的候选词语cw和情感强度i的基准情感词语集合BSWi；基于点互信息的语义倾向值SO_PMI(cw,BSWi)为候选词语cw和BSWi中所有的基准情感词语的点互信息之和：最后，得到候选词语cw的情感倾向为：

Pwords表示正向种子词集，Nwords表示负向种子词集；

步骤2情感词匹配和情感词关系预处理，具体步骤如下：

步骤2-1.利用分词工具和自定义用户词典进行分词，然后结合哈工大句法分析平台，将评论转换为tri-gram形式，组成语义依存关系队列；

步骤2-2.语义依存关系队列包含每个词的位置、词性标注以及前词后词的位置关系，能充分定位情感词的位置以及该情感词所修饰的名词；

2-2-1.通过匹配情感本体库，定位情感词的情感初始极性以及程度修饰权值；

2-2-2.得到情感词的位置信息，将情感词抽取出来构建情感词的特征列表；特征列表包含情感词的位置、情感极性和权值；

步骤3所述的情感计算和情感倾向判断，具体如下：

步骤3-1.针对步骤2-1得到语义依存关系队列，构建本体库中匹配情感词信息，使用短语情感倾向评估法来近似计算评论的情感倾向；

步骤3-2.采用SVM分类器为后续未知情感极性评论进行分类；

对语料库中已标记过的评论进行训练，80％的评论作为训练集，20％的评论作为测试集；训练集的具体处理如下：首先通过分词，删除停用词；

其次从步骤2-2中匹配情感词，并赋予情感词的权重；

然后将训练集中每条评论转换成特征向量，训练SVM分类器，再进行分类，结合上文规则判断结果得到最终评论情感倾向。