大数据时代的购物体验,正在逐渐从线下消费模式,向线上和线下相结合的模式进行转变。在线商品评价,可以在很大程度上反应出消费者对商品的态度和意见。本文主要从评价方面词的抽取,预测评价维度,以及评价维度层级上的情感分析这三个方面进行深入研究,挖掘得到商品评价中的细粒度主观情感。结合深度学习算法,从消费者的角度分析目标商品在多个评价维度上的优缺点,以帮助消费者得到更好的购物体验。首先,针对于评价文本中常出现的“错别字”、“近音字”、“口语化表达”等问题,提出使用Soundex语音标签和Brown聚类标签进行模糊处理。实验证明,在文本表达中增加标签特征,模型预测结果的召回率提升了3%,macro F值整体提高近1%。其次,论文中提出的商品评价维度识别模型,在隐藏层映射中结合了全连接层和滑动窗口的设计,也使得模型的收敛效率更高,在不影响预测结果的前提下,训练时间降低近一半。最后,再结合抽取得到的评价方面词和上下文语境,创新地提出利用池化和注意力机制,来进行多维度的权重学习,以实现细粒度的商品评论情感分类。在SemEval的基于方面的情感分析任务标准数据集上进行实验,在餐饮领域和笔记本领域分别得到了77.95%和69.59%的macro F值,比TD-LSTM模型提高了2%,比效果最好的ATAE-LSTM模型还高0.8%。仅在Twitter数据集上比TD-LSTM模型低0.7%。但Twitter数据集属于粗粒度的情感分析语料,这也可以说明,文本中提出的模型在细粒度情感分析上更具有优势。论文通过上述3个方面的工作,将分散的商品评价意见进行分类,形成了在评价维度层级上的商品意见,研究成果可应用于情感分析、关系抽取、商品推荐等研究领域。论文的进一步工作包括以下两个方面:解决评价方面词缺失问题和评价维度多样性问题。