情感分析是自然语言处理领域的重要组成部分,其目的是分析和挖掘主观性文本中蕴含的情感倾向。情感分析任务可以分为粗粒度情感分析和细粒度情感分析,前者可以判断实体级别的情感倾向,后者可以判断实体属性级别的情感倾向。随着大众生活水平的提升,人们开始崇尚个性化,网络上的用户评价也趋于多维化,致使评价性文本变得更复杂,仅研究实体级别的评价已经不能满足大众的实际需求,因此细化情感分析的粒度已成必然趋势,但情感分析粒度的细化导致模型捕捉关键信息的难度急剧增加,并且使情感分析从单任务问题变成了多任务问题,许多简单的情感分析模型难以应对细粒度情感分析任务,使情感分析效率大幅度降低。针对此情况,本文设计了既能提高分类准确度又能节约计算时间的细粒度情感分析模型。主要研究内容如下:首先,选择餐饮业评价数据集,对数据进行去除停用词、去除无效字符等预处理。其次,选取部分数据,选择原有的深度学习模型分别使用单任务学习和多任务学习的方法对选取的数据进行情感分析对比实验,通过分析实验结果得到多任务学习更适合细粒度情感分析的结论。再次,提出单独使用预训练模型进行情感分析的方法。使用BERT模型和BERT+ERNIE模型分别在单任务学习和多任务学习的基础上对部分数据进行细粒度情分析,实验结果验证了预训练模型有足够的特征提取和捕捉上下文信息的能力,能够在不添加下游模型的情况下胜任自然语言处理任务,验证ERNIE模型能弥补BERT模型在解决中文情感分析问题时的不足,证明了ERNIE模型的能力。同时对比预训练模型在使用单任务学习或多任务学习方法时的实验结果,验证多任务学习方法同样适用于预训练模型。最后,提出本文的BERT-ERNIE-LSTM-Attention并行计算模型,在BERT+ERNIE模型的下游加入长短时记忆网络与注意力机制,以便提高模型的准确度,引入并行计算结构,以便减少模型训练时需要耗费的时间。使用数据集的全部数据,将本文提出的模型与多个深度学习模型进行情感分析对比实验,实验结果表明本文提出的模型能在提高情感分析准确度的同时减少训练时间。