随着互联网的发展,电子商务迅速兴起,很多消费者选择线上购物并且针对所购买的产品质量及购物体验发表自己想法和建议。这些网购平台的产品评论中往往蕴含着大量有用的信息。对于消费者而言,可以为购物者提供参考意见,间接影响着消费者的购买决策;对于商家来说,这些产品评论有助于对产品质量,客服服务等等进一步完善;同时网购平台也可以根据这些信息对商家进一步的管理。因此,对网购平台的产品评论进行情感分析具有一定的现实意义。近年来,文本情感分析受到了越来越多人的关注和研究,现有的研究中均取得了一定的研究成果。本文在前人研究的基础上,提出了一些新的研究思路,具体研究工作如下:第一,在中文分词问题上,本文基于隐马尔科夫模型进行中文分词,然后利用Word2ve方法来提取文本特征生成词向量,最后结合文本分类中常用的机器学习算法即支持向量机(SVM),K近邻分类(KNN),朴素贝叶斯(NB)和深度学习中的长短期记忆网络(LSTM)进行分类,通过准确率,F1,ROC曲线和AUC对模型性能进行评价。根据Python实验结果得出结论:LSTM模型的分类性能明显优于其他三种机器学习的分类算法,但所需训练时间也最多;SVM和KNN的分类效果次之,NB的分类效果相较之下最差。总体来讲,四种分类算法的分类效果按照从优到劣可表示为:LSTM>SVM>KNN>NB.第二,在上文基础上,引进集成学习的方法。本文介绍了三种常用的集成学习方法包括Boosting,Bagging和Stacking,并提出一种新的模型集成思路:首先将SVM,KNN,NB作为集成方法Stacking的第一层的基础学习器,然后将其预测值作为第二层的输入特征,第二层选用Boosting,Bagging,LSTM作为元分类器,在第三层中将第二层的预测结果进行投票作为总模型的最终输出。实验结果显示,这种模型集成的思路可以有效提升分类器的精度和F1,验证了这种方法的有效性。