随着信息技术的快速发展,用户生成内容在互联网上迎来了爆炸式的增长。对于电商平台来说,海量的用户生成内容便是消费者对产品的评价信息,这些信息中包含着消费者对产品的意见信息及情感态度。使用自然语言处理技术有效地挖掘出产品评价中的细粒度意见信息,这将有利于商家了解用户,从而更好地完善自身产品;也有利于消费者了解产品,从而更好地挑选自身喜欢的产品。本文基于深度学习的方法,围绕面向产品评价的细粒度意见挖掘中评价要素的抽取和细粒度情感极性分析两个任务进行研究,以挖掘出产品细粒度的意见信息。在评价要素抽取方面,针对缺乏考虑评价对象与评价词在深度语义层面上的搭配关系的问题,本文构建了基于预训练模型的词对关联度模型,再结合评价要素双向传播迭代识别框架,提出了基于BERT的评价要素双向迭代识别算法。该方法在抽取化妆品和笔记本电脑产品评价要素的实验中,精准率和召回率优于以往基于依存句法的双向传播迭代识别算法;在对评价要素中低频词的召回策略中,提出使用字词混合向量语义相似度召回方法,该方法考虑分词工具带来的分词误差因素,提升了召回的评价要素准确度。在细粒度情感极性分析方面,针对目标评价维度文本与产品评价文本语义交互不足的问题,本文设计了基于文本匹配的细粒度情感极性分类模型。该模型从文本匹配的角度进行设计,强化了目标评价维度文本与产品评价文本的交互过程,提升了细粒度情感极性分类的准确度。最后,设计了面向产品评价的细粒度意见挖掘系统,并将本文提出的评价要素抽取算法与细粒度情感极性分类算法应用于系统中,从而实现了对产品细粒度意见挖掘的功能。