现代市场经济快速发展的同时也伴随着较高的风险，通过对地区投资情况提前预测，能够提前发现投资风险，为国家、企业的投资决策提供参考。针对宏观经济预测中统计数据滞后和内部关系复杂的问题，提出融合情感分析和深度学习的预测方法（SA-LSTM）。首先考虑微博的强时效性，确定了微博爬取和情感分析的方法，得到微博情感分析的分值，进而结合政府统计的结构化经济指标和长短期记忆神经网络，实现地区投资总额预测。经过实际数据计算验证，在四个数据集上，与不加入微博情感分析的LSTM网络相比，SA-LSTM能够降低预测相对误差4.95，0.92，1.21，0.66个百分点；与差分自回归移动平均模型（ARIMA）、线性回归（LR）、反向传播（BP）神经网络、长短期记忆（LSTM）网络四个方法中的最优方法相比能够降低相对误差0.06，0.92，0.94，0.66个百分点。另外，SA-LSTM在多个时间片上，预测相对误差的方差最小，表明所提方法具有很好的鲁棒性，对数据抖动有良好的适应性。

社会标注是一种用户对网络资源的大众分类，蕴含了丰富的语义信息，因此将社会标注应用到信息检索技术中有助于提高信息检索的质量。研究了一种基于社会标注的文本分类改进算法以提高网页分类的效果。由于社会标注属于大众分类，标注的产生具有很大的随意性，标注的质量差别很大，因此首先利用文档间的语义相似度以及标注间的语义相似度来对标注的质量进行量化评估。在此基础上对标注进行质量过滤，利用质量相对较好的标注对文档向量空间模型进行扩展，将文档表示成由文档单词以及文档标注信息组成的扩展向量。同时采用支持向量机分类算法进行分类实验。实验结果表明，通过对标注进行质量评估并过滤质量差的标注，同时结合文档内容以及标注来对文档能提高分类的效果，同传统的基于文档内容的分类算法相比，分类结果的F1度量值提高了6.2%。