随着网络交易方式的流行,网络商品评论文本得到爆炸式增长,评论文本中所蕴含的情感信息对网购用户和商家都有巨大的应用价值,对文本进行自动化分析的情感分析技术因此备受关注。为了抽取出评论中所蕴含的有关评价主体各个方面的情感,本文将以神经网络为主要技术方向,针对商品评论展开方面级的细粒度情感分析,主要研究工作分为aspect-category sentiment analysis(ACSA)以及aspect-term sentiment analysis(ATSA)两个子任务。在ATSA方面,本文针对方面词和情感词的识别任务中,已有模型网络结构大、训练缓慢这一问题,提出ALBERT+Bi LSTM和CRF的网络结构,通过减少模型参数来提高训练速度。针对方面词和情感词配对关系抽取任务中,已有的神经网络模型存在底层输入特征单一,网络结构无法提取鲁棒的表征这些问题,本文提出一种能够有效编码位置信息和深层次语言学信息的Transformer+Bi LSTM网络结构,同时结合模型设计出富含多元信息的组合特征作为底层输入,有效的提高了关系抽取的效果。针对方面情感判断任务中,当包含多对方面词和情感词时,情感词的情感倾向判断相互间会造成影响这一问题,本文设计出一种情感标签Attention机制,相比于传统的Attention,它能更好的为应重点关注的情感词分配更多的注意力,并最终提出一种基于Bert和情感标签Attention的网络结构,提高了方面情感判断的准确度。ACSA任务是基于事先给定的方面词判断相应的情感倾向,已有的模型难以针对各个方面词都做出精准的情感倾向判断。针对此问题本文提出一种基于Bert和特有记忆增强的网络结构,结合任务所设计的记忆存储层,能够为各个方面词抽取相关的特有记忆进行存储,以达到记忆增强的作用。实验结果表明,通过该模型为每个方面词构建的特有增强表征进行相应情感倾向的判断,能够取得更好的效果。为了能够把本文针对细粒度情感分析的研究结果进行直观化展示,本文实现了一套商品评论文本的细粒度情感分析系统原型。