1.一种微博热点话题用户群情感倾向性分析方法，其特征在于：对爬取的微博信息进行预处理，得到纯文本语料进行存储；结合基础情感词典筛选出常用情感词，构建初始情感词集；利用TF‑IDF和聚类算法选择出特定话题下覆盖度广、代表性强的情感倾向明显的情感词，构建情感词元素集；利用情感词情感强度确定方法，在特定微博热点话题下计算选定情感词的情感强度，从而构建四元组情感词典；利用构建的四元组词典对微博用户文本进行情感分析，得到用户的情感倾向；最后对每个用户的情感倾向进行整合，得到用户群的情感倾向性；

所述四元组情感词典包括：将情感元素集中的每个词Wi确定情感强度Ii并进行情感极性标注Pi，将词Wi与其情感极性Pi、情感强度Ii和权重PiIi为四元组加入情感词典E，得到E为：E＝＜(W1，P1，I1，P1I1),(W2,P2,I2,P2I2),…，(Wi,Pi,Ii,PiIi)，…，(Wn,Pn,In,PnIn)＞；

所述利用构建的四元组词典对微博用户文本进行情感分析，得到用户的情感倾向，具体包括：对用户的微博信息情感词进行情感分数的赋值，情感词情感权重反映了情感词在文本中的重要程度，而情感强度的绝对值就等于情感权重的值，为了计算方便，以情感强度作为情感分数对微博用户的文本情感词赋值，情感分数的正负表示了情感的正负倾向，情感分数的绝对值表示了情感的强度；

最后对句中的情感词进行情感值的加权，得到了句子的情感倾向分数；如果分数大于

0，则表示句子的情感倾向为正，绝对值越大，则表明正倾向越强，如果分数小于0，则表示句子的情感倾向为负，且情感强度随着绝对值的越大越强；微博用户情感分数计算如下：其中Sen(personj)表示用户j的情感分数，D恒等于‑1，f表示一句话中否定词的个数，m表示用户j的文本信息中情感词的个数，Ii(Wi)表示用户第i个情感词的情感强度；

所述用户群情感倾向性分析包括：将每个用户的情感分数进行情感值的加权，得到了用户群的情感倾向分数；如数大于0，则表示用户群的情感倾向为正，绝对值越大，则表明正倾向越强；如果分数小于0，则表示句子的情感倾向为负，且情感强度随着绝对值的越大越强，具体计算如下：其中，Sen(group)是用户群的情感倾向性结果。

2.根据权利要求1所述的一种微博热点话题用户群情感倾向性分析方法，其特征在于：所述的预处理方法有如下步骤：

去噪：去除微博中无用的符号和链接，所述无用的符号包括@、#、#+文字+#和//；

分词：使用中科院分词工具ICTCLAS对微博文本进行分词及词性标注；

情感极性标注：常用情感词的极性Pi与情感词典中的极性一致，如发生同一情感词不同情感词典中的标注不一致的情形，使用多人投票方式修正，网络情感新词与表情符号由于数量有限，其极性均采用多人投票方式确定。

3.根据权利要求1所述的一种微博热点话题用户群情感倾向性分析方法，其特征在于：结合基础情感词典筛选出常用情感词，构建初始情感词集包括：

结合基础情感词典筛选出常用情感词，构建初始情感词集；

手工统计词语i在微博语料中的词频，词语i来自大连理工大学提供的中文情感词汇本体库。

4.根据权利要求1所述的一种微博热点话题用户群情感倾向性分析方法，其特征在于：所述TF‑IDF算法计算公式如下：

TF‑IDF＝TF×IDF

其中，TF和IDF分别是词频和逆文档词频，TF和IDF的计算公式如下：其中,Wi表示第i个词汇，Qj表示第j篇文本，nij表示为第i个词汇在第j篇文本中出现的次数，nj表示为第j篇文本词汇的总和,m为语料库的文档总数，mi为语料库中包含词语Wi的文档数量。

5.根据权利要求1所述的一种微博热点话题用户群情感倾向性分析方法，其特征在于：所述聚类算法是改进后的K‑means++算法，所述改进后的K‑means++算法采用点互信息来计算词语间的语义距离d，其中两个词语的语义距离d(wi)计算公式如下：其中P(wi,uj)表示词wi和词uj同时出现在一个微博热点话题的概率，P(uj)表示词uj单独出现的概率，P(wi)表示词wi单独出现的概率；符号lb表示以2为底的对数。

6.根据权利要求1所述的一种微博热点话题用户群情感倾向性分析方法，其特征在于：所述情感词的情感强度计算如下：

将情感元素集中的情感词，利用下式算出情感词W*的情感强度：

I(W*)＝r(W*|S_‑)‑r(W*|S_+)

其中S_‑和S_+分别表示在微博文本信息集U中的正情感词和负情感词集合，r(W*|S_+)表示W*的正向情感权重，r(W*|S_‑)表示W*的负向情感权重，情感权重通过下式计算：其中S*表示S_+或者S_‑，α、β∈[0，1]是组合调整参数，根据一定比例用来调剂P(Ci|S*)和P(w^*)对数值的大小防止某一值过大或过小，计算结果中小数被忽视的现象；Ci是W*的第i个字，W*中共有k个字，P(Ci|S*)和P(w^*)则通过下式计算：其中Freq(S*,Ci)表示属于S*的词的组成字Ci在微博文本信息中U出现的频率，Freq(S*)表示属于S*的所有组成字在微博文本信息U中出现的频率之和，δ为一个小于预定阈值的数值；

其中Freq(W^*)表示W^*在U中出现的频率，|U|表示U中词的个数， 表示所有的词Wi在U中出现的频率之和。