电子商务的崛起为企业和消费者发表评论意见提供了更加便捷高效的平台,越来越多的消费者购物后会通过网络表达自己对产品的喜好,而这些评论都带有强烈的个人主观感受。因此,在海量的文本数据中,如何挖掘出消费者的情感信息和潜在的商业价值已经成为现如今的研究热点。对这些评论数据进行情感分析研究不仅对消费者和商家在了解产品信息和制定营销策略方面具有指导意义,对相关管理机构也具有参考意义。然而传统的文本情感技术只能对篇章级或句子级的文本做出情感判断,无法给出具体评价对象的情感倾向,不能给消费者和企业提供更加全面的商品信息。所以,本文在深度学习算法的基础上,以真实的评论数据为研究对象,从特定目标的角度对文本进行细粒度层面的文本情感分析。首先,本文分别从粗粒度层面和细粒度层面分析了文本情感分析的过程及深度学习技术的基础理论,阐述了网络爬虫框架原理和评论数据的收集、预处理过程,其中包括对数据集的清洗、分词和情感标注。其次,本文采用了Word2vec技术将文本中的数据转化为词向量的形式,避免了数据维度过高和特征表示无关的问题,将训练产生的词向量作为深度学习模型的输入,提高了文本情感判断的准确率。最后,本文针对细粒度情感分析的问题,提出了注意力记忆网络。将评论语句中出现的一个或多个评价对象视为主题词,使用多个注意力机制计算层自动捕捉主题词上下文的重要信息,并引入记忆网络来存储文本信息,避免了传统的循环神经网络因记忆有限而丢失语义信息的问题。其次,本文针对单记忆模块单一的问题,提出了采用双记忆模块的方法,在每个记忆模块中对句子采取不同的建模方法,提取句子不同的特征信息,最后将二者提取的信息相结合作为分类器的输入。本文在中英文数据集的基础上,设置了多组对比实验,并分析了参数的不同对实验结果的影响作用。相比于其他方法,本文的方法不仅可以表达句子更丰富的语义特征,而且可以准确的判断出特定评价对象的情感值,情感分类的准率最高、效果最好。