随着网络信息技术的发展,我国的网民数量日益增多,第44次《中国互联网发展状况统计报告》显示,截至2019年6月,我国网民规模为8.54亿,较2018年底增长2598万,互联网普及率达61.2%。网民可以通过多种渠道发表观点,持续累积形成海量文本数据。通过对这些文本进行分析,研究人们对事物所表达的观点和态度具有十分重要的现实意义。以网购评论为例,传统的情感分析仅仅对一个评论整体的情感倾向进行了识别,并未涉及该评论中所包含的商品属性情感倾向的计算,这种粗粒度的情感分析不仅容易导致信息提取不充分,更无法识别用户所关注的产品属性的情感倾向。针对以上问题,本文引入了循环神经网络、卷积神经网络等相关模型,研究了基于深度学习的细粒度情感分析方法。在基于深度学习的细粒度情感分析研究方面,学者普遍基于公开数据集对现存的神经网络模型进行优化,在应用领域的研究很少。本文爬取四大国产手机旗舰机评论作为实验数据,通过依存句法分析提取产品属性特征词,并总结了十条常见的句法路径。在对文本进行情感分析时,本文使用了Word2Vec、Glove以及BERT模型进行词嵌入,并将得到的词向量分别输入到TextCNN、BiLSTM和AT-BiLSTM三种主流的深度学习模型中进行情感分类。对分类效果对比分析发现,BERT模型的词嵌入效果最优,显著提升了细粒度情感分析效果,AT-BiLSTM模型的宏观精度、召回率以及F1值均达到了96%以上,分类效果最优。最后,本文总结了各国产品牌的竞争优势和劣势,为用户提供了商品选择的依据,也向厂商提出了三条建议:健全产品检测体系,进一步提高产品质量控制水平;保持品牌优势,针对性提升产品质量;合理定价,灵活制定价格策略。综上,本文构建了完整的细粒度情感分析体系,为其他研究者进行评论分析提供了参考,所使用的深度学习方法在细粒度情感分析中表现优异,具有广泛的现实意义和应用价值。