随着互联网的飞速发展,电商平台逐渐兴起,越来越多的人选择用电商平台购物。人们在消费前往往会关注已买消费者对产品做出的评价,关注产品质量是否过关并判断产品是否符合自身需求,商家也会根据客户评论及时提升产品质量,调整商品供货满足更多消费者需求,评论数据的情感分析应用而生。随着产品复杂度提升,一段用户评价中可能包含对该产品多个方面的评价,单纯对整句话做情感分析并不能够代表每个属性,而基于不同实体属性的情感分析方法的提出解决了这一问题。基于实体属性的情感分析属于细颗粒度情感分析任务,主要针对同一语料中不同实体或同一实体的不同属性进行针对性分析,很好解决多属性情况不同属性对应不同情感极性的场景。现阶段,基于实体属性的情感分析对上下文语义的深度理解不够,同时将属性词向量平均化方式直接运算,并且大部分工作都基于英文统一数据集进行,很少考虑使用预训练词向量模型来提升词表示程度,导致模型在中文方面的运用受阻。本文针对现存问题,提出一种基于深度表示学习的实体情感分析方法。本方法首先借助在超大规模语料库上训练得到的预训练词表示模型学习语料上下文间深层语义信息,再利用下游模型结构对所提取到的语义信息进一步处理,其中包括将语料分为目标词上文、目标词、目标词下文分别运算的拼接策略,以及将实体属性词进行自注意力运算的注意力层,并最终通过softmax函数进行归一化运算,输出预测结果。经过实验,本文提出的基于深度表示学习的实体属性情感分析模型,在使用了三种深度表示学习的预训练模型后,结合Bi-LSTM层不同拼接策略并引入属性词注意力权重计算,模型性能在中文语料上表现较好,在手机评论类实体属性数据上情感极性预测准确率最高达到91%,并在不包含属性词的语料上也具有预测价值,说明模型有较强的中文语料上下文深层语义理解能力。随后,本文针对在实验过程中发现的属性词位置对实验结果的影响,提出基于原有模型改进的动态模型,增强模型鲁棒性。此外,在本文中采用独立标注的2.4万条中文电商平台手机评论数据,对每句语料都标注了目标实体属性以及对应情感极性,弥补了中文实体属性情感分析方面缺乏大规模数据集的空缺。