在它们的词性n-grams特征中，3<=n<=6.同时，他们还对子串特征的权重进行了修改，当子串长度增加时，特征权重也随之增加。在他们的实验中，获得了0.675的分类F值，相比于采用方法高了1.56%的F值。
Bakliwal等人出了一个情感得分函数，根据先验信息为每个情感词汇赋予不同的权重。他们对微博取出来hashtag、URL、表情符号、特殊字符等，并学习unigram的正向和负向的概率。
他们把微博中的所有unigram的正向概率得分减去所有unigram的负向概率得分，作为该条微博的全局得分。
他们首先查看将最常用的正负向情感词作为种子词集合，然后对每个词汇检查是否在这个种子词集合中，根据是否存在种子词集合为该词汇赋予 1/-1的得分。同时他们还根据WordNet词典判断一个词汇是否是名词，如果是名词，则丢弃该词汇。
然后他们根据之前算好的概率得分得到微博的极性得分，将微博的极性得分乘上每个unigram词汇的得分，得到微博的正负向极性得分。根据极性得分得到微博的情感倾向。
情感倾向Pak等人通过正负向表情符号自动标注了收集的微博的情感倾向，如果一条微博包含正向表情符号如“”则认为该条微博为正向情感倾向，如果一条微博包含负向表情符号如“”则认为该条微博为负向情感倾向，如果一条微博不包含表情符号，则不做标注。
他们用这种方式获取了正向微博和负向微博，同时从报纸等新闻类杂志获取不含褒贬倾向的中性评论。
通过分析词频在正向、负向、中性评论中的分布，他们认为词性对不同情感类别之间的差异具有较强的指示作用，对微博的情感分析有着重要的作用。
