目前,随着电商平台和社交平台的快速发展,互联网上沉淀了大量网民对社会事件的观点及商品的评论数据。对于公众评论的分析能够帮助公共管理部门监控社会舆情动向,对于产品评论的分析能够归纳出用户的评价,帮助商家了解用户需求,并改进产品。互联网上的大量评论具有很高的社会价值和经济价值,必须依靠自动的情感分析技术从大量评论语料中去分析出用户的情感倾向。本文主要针对电商平台商品评论的特性,研究情感极性分析相关技术。本文主要完成了以下工作。针对商品评论中由于语义转折而引起的情感分析不准确的现象。本文设计了针对商品本身不同评价对象的细粒度情感极性分析框架,提高了评论分析的精度,消除了歧义。另外本文在细粒度情感极性分析模型中,引入CNN框架,改善了 RNN框架中未登录词对情感分析的影响,准确率可达95%。针对有监督学习方法过度依赖标注数据和电商产品品类众多,无法对每个品类的评论数据进行单独标注的客观情况,本文提出了基于深度学习的规则库学习,能够提高情感分析系统的泛化性。框架首先提炼评论中词语词性、程度副词、情感极性词、转义词、否定词等信息,并对其进行建模,学习情感极性分析的规则库。通过单一类型商品评论的情感学习,可以将其迁移到其他类型商品评论中。最后,本文实现算法结果的可视化。对评论进行细粒度分析之后,对算法结果按照评价对象进行可视化,评论的可视化重点关注用户的负面评价。