摘要：社交网络已被广泛地用于通过基于互联网的文本消息和图像在公共领域表达意见。Twitter的情感分析为组织提供了实时监控与他们相关的产品和事件的公众感觉的能力,成为公众情绪监测的有效途径。情感分析的第一步是数据的文本预处理。现有的关于Twitter情感分析的研究主要集中在新情感特征的提取上,而忽略对预处理方法的深入研究。在本文中,我们研究了基于支持向量机(SVM)、朴素贝叶斯、最大熵和基于人工神经网络的监督分类器在Twitter数据上的特征提取及分类方法。我们还提出了基于Mapreduce的主成分分析(MPCA)与SVM结合的分类算法模型。然后讨论了文本预处理方法对两类分类任务中情感分类性能的影响,总结了各种预处理方法在Twitter数据集上的特征模型和四种分类方法的分类性能。实验结果表明在经过了参数调优后,我们提出的分类算法模型不仅提高了Twitter情感分类的准确率和F1指标,而且能解决支持向量机和人工神经网络的计算消耗问题,算法模型具有一定的扩展性,实验结果令人满意。