因而他们采用了词性和ngram作为特征，对特征进行选择后采用NaïveBayes分类器进行分类。
Lee等人采用最大熵分类器对中文微博进行正负向的情感分类。文中采用规则取出连接词，并对微博进行停用词和标点过滤，以及否定词处理。
同时取出微博中包含的种子正向情感词个数或者种子负向情感词个数作为额外的特征。他们的实验中获得了0.87的正负向情感的总体精度。
Barbosa等人首先将微博分类为包含有情感倾向的主观性微博和不包含情感倾向的客观微博。
然后对主观微博再次用分类器分类为正向情感和负向情感。他们在特征集合中采用了是否转发、标点符号、是否包含URL等特征。他们的实验结果表明该方法具有较好的鲁棒性。
Jiang等人首先从微博中计算形容词组合的紧密程度，然后取出新的情感词汇扩展情感词典。对于含有表情符号的微博，他们用表情符号对微博进行自动标注。
对于不含有表情符号的微博，他们采用标记传播算法进行处理并标注。他们从微博中取出了hashtag、URL等微博特征，标点符号特征、情感词汇特征和表情特征。
并采用三种方式对微博进行正向、负向、和中性的情感分类。
第一种方式是一次性将微博分为正向、负向、中性三个类别；第二种方式是现将微博分类为主观微博和客观微博，然后对主观微博分类为正向和负向的情感倾向。
第三种方式是先对微博分类为正向和非正向，然后对微博分类为负向和非负向。对于第一次分类为正向且第二次分类为非负向的微博，视为正向微博；对于第一次分类为非正向且第二次分类为负向的微博，视为负向微博；其他情况视为中性微博。
在他们的实验中，一步三分类的方式获得了最优的结果，为0.639的精度。
参考文献：1.张晶, 朱波, 梁琳琳,等. 基于情绪因子的中文微博情绪识别与分类. 北京大学学报[J]：自然科学版.2014. 50(1),pp.79-84.
2.Blei, D.M., Ng, A.Y., Jordan, M.I. Latent dirichlet allocation. Journal of Machine Learning Research[J]. 2003. Vol.3, pp.993-1022.
