如今,电子商务与人们的日常生活密切相关。电子商务平台提供评论区供用户在线评论,评论数据会长期保存在电商平台上。这些评论对于消费者来说,直接影响到是否选择该商品;对于商家来说,可以了解用户对商品的评价,并及时改进不足。但各个电商平台上的评论区积累的评价内容十分庞大,直接阅读评论十分费力,难以获取有效的信息,不仅降低用户阅读评论的效率,也使得商家难以获取用户反馈的信息,增加改进商品的难度。因此如何在如此庞大的评论数据中高效获取消费者的情感信息,及时获取有价值的评论信息,对于提升用户体验和商家改进产品质量来说具有重要的研究意义和商业价值。本文基于BERT算法,通过对观点的实体和评价主体的识别,评价主体情感分析,来获取用户评论的评价主体和情感极性,实现细粒度的情感分析。主要任务和贡献包括:在词嵌入方式与训练数据的收集和处理中,通过分析使用传统的Word2Vec（Word To Vector）词向量的不足,提出针对中文评论的字向量与词向量相结合的词嵌入方式。提出的词嵌入方式与单独使用字向量和词向量的词嵌入方式相比,分类准确率更高、语义信息保留更加完整、未登录词减少、词嵌入质量提高。通过分析普通数据集的不足,提出高质量标签数据集构建的意义。对比高质量标签数据集与普通数据集下的实验结果,发现高质量标签数据集能提高模型训练的质量,提高预测准确率。在观点的实体和评价主体识别中,为了解决传统Word2Vec模型只能够产生固定化语义的词向量的问题,提出基于改进BERT（Bidirectional Encoder Representations from Transformer）掩藏策略的BERT-BIGRU-CRF模型。该模型根据中文评论中字与字组成的词组联系较为紧密的特点,改进BERT算法的掩藏语言模型,并将其作为词嵌入层的语言模型。在该模型上训练得到的词向量能更好地挖掘词与词之间的语义信息,获得更加完整的语义信息。在特征抽取层中,采用Bi GRU代替传统的Bi LSTM,在提升训练速度的同时保证准确率。提出的模型与常用的命名实体识别模型LSTM-CRF相比,在F1值、召回率和精确率上均有提升。在评价主体情感分析中,针对传统的RCNN（Regions with Convolutional Neural Networks features）模型对于文本情感相关信息的特征提取不够充分,分类不准确的问题,提出字词向量融合的M-BERT-ATT-Res GCNN模型。该模型首先使用预训练BERT语言模型代替Word2Vec语言模型,并针对电商评论数据进行改进,改进模型为M-BERT;然后使用两层Bi GRU来提升其提取特征的能力,并在两层之间使用残差连接的方式进行连接防止出现梯度消失;最后采用注意力机制对关键信息进行提取。将提出的模型与多个常用的情感分析模型进行比较,结果表明,提出的模型在准确率上对比目前较优的RCNN模型提升近一个百分点。