随着互联网和物流系统的高速发展,线上购物方式已经成为消费者购买商品的首要选择。在网络购物规模日益扩大、频率日益增加的背景下,电子商务平台每天都会产生大量的商品评论数据。线上购物中商品评论对消费者购买意愿有较大影响,而动辄数以万计的商品评论需要使用情感分析系统分析。现有的情感分析系统多采用监督学习方法,这种方法需要大量高质量标注数据对模型训练,但标注数据的获取需要昂贵的人工和时间成本,同时无标注数据获取难度小且成本低廉。半监督学习方法能够利用大量的未标注数据,只需要少量标注数据就能完成模型的训练。目前,深度学习研究热度不减,相较于传统机器学习方法,基于深度学习的情感分析方法在泛化能力上拥有更为优异的表现。因此,将深度学习模型更好地融入到半监督学习算法成为关注的热点。半监督学习中自训练算法通过将伪标签加入标注数据集的方法进行迭代训练,算法中分类模型不仅学习到伪标签的知识,其中的噪声会在迭代中不断积累,最后出现模型泛化能力下降的问题。基于以上分析,本文主要工作包括以下几点:（1）针对半监督学习算法中自训练算法因伪标签噪声引起的泛化能力下降问题,本文以BERT（Bidirectional Encoder Representation from Transformers）模型作为基础分类模型提出BERT自训练算法。该算法分别使用伪标签和标注数据集对模型进行两次训练,在获取伪标签知识的同时利用灾难性遗忘现象缓解噪声对泛化能力的影响。同时该算法借鉴知识蒸馏模型采用双模型结构利用含有权重参数的交叉熵损失函数平衡伪标签和标注数据集知识对模型参数的影响。（2）本文对京东商城iphone13系列手机商品评论进行爬取和清洗,之后以知网情感词典和领域新词为依据对原始数据集中3000条评论样本进行手工标注构建实验数据集。最后使用该实验数据集对BERT自训练算法进行超参数调优并通过实验对优化方法的有效性进行验证,相比于传统自训练算法,该算法泛化能力得到提升。（3）本文利用BERT自训练算法实现商品评论情感分析系统的设计与开发,该系统主要包括评论爬取功能、评论极性标注功能、情感极性分析功能和情感极性预测功能。系统采用MVC架构设计,通过前后端分离的方法降低模块间的耦合性。最后本文利用黑盒测试方法对系统功能有效性进行测试。综上所述,本文针对半监督学习算法中自训练算法中的一些问题,提出融合了BERT模型的BERT自训练算法,之后通过商品评论情感分析系统的设计与实现展示该算法在现实应用中的有效性。