在中文微博情感分析的毕业设计中，我们采用了多种机器学习模型，并通过详细对比分析它们在任务中的表现。项目首先利用FastText在较小的语料库上进行词向量训练，通过引入n-gram特征，优于传统的word2vec。训练集包含10000条语料，测试集有500条语料。针对情感分析的二分类任务，我们尝试了SVM、Bayes、DNN、LSTM、Attention+BiLSTM、XGBoost等多种模型。SVM虽然并不是NLP任务的首选，但在项目初期考虑到作者技术水平，选择了该模型。Bayes以其快速的速度和良好的效果脱颖而出，尤其在小规模语料任务中表现卓越。然而，对于大规模任务，其性能可能会受到一定的下降，且磁带模型丧失了语序信息，拓展性有限。DNN的表现相对较差，但当前在NLP领域中较少直接使用DNN。LSTM充分利用上游训练的FastText词向量，并兼顾语序信息，表现明显优于其他模型。Attention+BiLSTM在任务中取得了良好的效果，尽管相较于纯LSTM，提升幅度有限，这主要是由于任务相对简单，语料规模有限。在更复杂的任务中，注意力机制的强大将变得更为明显。XGBoost在机器学习领域被誉为一大杀器，在本项目中也展现了其卓越的性能。