1.一种面向中文微博的情感倾向分析方法，其特征在于包括如下模块：(1)欠采样技术模块，利用Affinity Propagation算法来减少训练集中多数类样本的数量从而平衡训练集，以降低数据集情感倾向分布的不平衡性对分类效果的影响；

(2)微博文本预处理模块，对微博文本进行清洗，并进行分词、词性标注和停用词处理等操作；

(3)利用Word2vec扩展微博模块，通过利用Word2vec来求微博中每个词的前K个相似词从而扩展微博；

(4)特征提取模块；加载相关词典，对前面预处理过的微博进行特征提取；

(5)情感分析模型训练模块，在上面已经平衡和扩展后的训练集上训练AWCRF模型；

(6)情感倾向性判别模块，利用训练好的AWCRF模型对待预测的微博进行情感倾向判别。

2.根据权利要求1所述的方法，其特征在于，在所述模块步骤1之后，还包括如下步骤：(2-1)给定一个训练集t1，将它分为多数类maj1和少数类min1；

(2-2)对于多数类maj1，利用Affinity Propagation聚类算法将它聚成几个类，可以表示为C＝{c1,c2,...cn}；

(2-3)为了构建平衡的数据集，按比例从C的各个子类中随机挑选样本得到maj2，使得maj2的样本数量与min1的样本数量相近；

(2-4)数据集maj2和min1将被集中在一起得到一个平衡训练集t2；

(2-5)将已经平衡后的训练集t2代替t1作为最终的训练集。

3.根据权利要求1所述的方法，其特征在于，在步骤3之后，还包括如下步骤：(3-1)训练词向量，我们从新浪微博API收集了大量的微博语料，过滤掉一些没用符号和网址，最后剩下5G的微博数据用来当训练集。然后利用Word2vec中的Skip-gram模型来训练词向量，最后通过该词向量来求微博中每个词的相似词；

(3-2)扩展微博，首先,给定一个微博句子ti,对它分词之后可以得到这个句子的词序列，表示为{w1,w2,...wn}，然后，利用上面已经训练好的词向量来求微博句子ti中每个词的前k个相似词，从而达到扩展微博的目的。扩展后的微博可以表示为{w1,w2,...wn，w11，w12，...w1k,w21,w22,...w2k,...,wn2,...wnk}，其中{w11，w12，...w1k}代表词w1的前k个相似词，对于微博中的表情符号和标点符号直接保留在微博中，所以扩展后的微博比原微博含有更多的信息。

4.根据权利要求1所述的方法，其特征在于，在所述步骤5之后，还包括如下步骤：(4-1)将CRF模型应用在经过本文欠采样技术和Word2vec技术处理后的数据上从而得到AWCRF模型；

(4-2)将特征提取模块从微博中提取出来的特征向量作为输入，使用L-BFGS算法来训练AWCRF模型。

5.根据权利要求1所述的方法，其特征在于，在所述步骤6之后，还包括如下步骤：(5-1)对待预测的数据进行文本预处理、利用Word2vec扩展、特征提取等操作，从而得到测数据的特征向量；

(5-2)将预测数据的特征向量作为AWCRF模型输入，利用训练好的AWCRF模型对待预测的微博进行情感倾向判别。