近年来,随着电子商务的不断发展,用户评论已成为各大线上消费平台的重要组成部分,其往往反映了用户的态度、意见以及情感等大量有价值的信息,能很好地进行商业反馈。因此,如何从这些评论文本中高效地提取有用信息,对消费者、商家以及消费平台都具有重要意义。现有研究主要通过“粗粒度情感分析”和“细粒度情感分析”两个方面来实现对文本信息的情感分析研究。粗粒度情感分析主要计算给定文本的整体情感倾向,细粒度情感分析则是更具体地分析文本中不同评价对象或属性的情感倾向。本文为更进一步地挖掘用户评论中的情感信息,提升分类效果,基于细粒度情感分析任务,提出了Bi GRU-Attention与门控机制（Gated Mechanisms）相结合的文本情感分类模型,从而实现对用户评论的细粒度情感分析。该模型将字、词向量联合特征作为模型输入;基于Bi-GRU对文本进行深层次的特征提取,将门控机制以及注意力机制相结合,根据获取的方面词信息进一步提取与方面词相关的上下文情感信息;在输出层进行文本情感分析,经过softmax获得最终情感极性。实验结果表明,在AI Challenger2018细粒度用户评论情感分析数据集上,该模型的F1 score值达到0.7051,性能超过基线系统。其次,为了进一步提升模型的预测性能,在上述文本情感分类模型的基础上,基于本文构建的用户评论情感词典,结合否定词表以及词性表,提取文本的情感词极性、否定词以及词性特征作为用户评论情感特征信息,并将其与字向量和词向量通过Highway网络进行融合作为本模型编码层的输入。实验结果表明,在AI Challenger2018细粒度用户评论情感分析数据集上,该模型F1 score值达到0.7226,模型效果有所提升,充分证明了通过丰富特征提取的内容,可以进一步提升模型的性能。其中,构建好的评价情感词典中包含正面情感词5891个,负面情感词2963个,相较于原有词典,整体词汇量增加29.3%。此外,为了进一步验证本文模型的有效性,在ACSA任务餐饮英文数据集上进行细粒度情感分析实验,模型准确率达到82.80%,获得了较好实验结果。