随着电商平台的不断发展,互联网上积累了大量网民对商品的评论数据,这些数据为电商提供用户情感反馈的同时,也为众多网民在购物时的决策提供参考。自然语言处理领域中文本情感分析算法可以从大量评论数据中分析出用户积极、消极、或是中性的情感态度。然而,我们不仅想要了解用户对产品的整体情感反馈,更需要进一步了解用户对商品的具体方面的态度。为解决以上问题,本文在前人研究基础上进一步研究面向电商用户产品评论的细粒度情感分析中所涉及的模型方法,核心任务是成对的抽取用户评论中的主题词与情感词,并对评论的情感极性做出判断,具体工作如下:第一,研究并实现了一种融合词性注意力机制的主题词与情感词识别模型。提出的混合模型中,双向长短时记忆网络能够充分利用上下文的信息并抓取全局特征,词性特征注意力机制网络能够将词性特征向量和双向长短时记忆网络的隐藏层输出向量进行关注计算,获得词性对预测目标的贡献矩阵,条件随机场层能够有效学习输出标签之间前后依赖关系,进而确定用户评价中的主题词与情感词。实验表明,该混合模型能有效提升主题词与情感词的识别效果。第二,研究并实现了一种多元特征融合的卷积神经网络配对关系抽取模型。该模型有效将句法关系特征融入深度学习网络,解决了其分布式语义表示。并通过将卷积神经网络抽取的高维抽象特征与人工定义的特征进行有效拼接组成多元特征,共同参与关系抽取的计算。实验表明,多元特征融合的卷积神经网络模型在关系抽取上有很好的抽取性能。第三,研究并实现了一种融合词性注意力机制的细粒度情感极性判断模型。该模型针对用户商品评论中由于语义转折而引起的情感极性判断不准确的现象,设计出针对商品评价本身不同主题的细粒度情感极性判断框架。实验表明,该模型提高了评论情感极性判断的精度,最大程度消除了歧义,改善了未登录词对情感极性判断的影响,取得了较高准确率。在以上工作的基础上,本文还设计和实现了面向产品评论的细粒度情感分析系统原型进行结果验证和应用。