近年来,很多网络用户选择在线观看视频,并留下大量视频评论以表明个人观点,如何在大量视频评论中抽取有价值的信息已成为一个亟待解决的问题。细粒度情感分析可以有效抽取评论文本中的评价对象并实现相应的情感极性判定,已体现出较好的应用价值。因此,本文进行视频评论的细粒度情感分析研究,从评论中分析得到视频各方面的情感倾向,可以帮助用户决定视频是否值得观看,为用户提供更优质的服务;也可以使视频供应方可以更好地针对用户评价对视频产品做出相应改进。随着深度学习技术在语音识别、机器翻译等自然语言处理领域不断取得进展,深度学习模型被证明在文本特征提取方面有着很大优势。本文主要利用深度学习模型对视频评论细粒度情感分析展开研究,首先采集网络视频评论并进行预处理,然后利用深度学习模型抽取评论中的评价对象,其次针对每一个评价对象进行情感倾向判定,最后依据细粒度情感分析结果,以两部电影评论为例进行可视化分析研究。课题的主要创新点如下:(1)评价对象抽取研究。针对传统LSTM模型进行评价对象抽取时只利用词向量信息的不足,本文提出一种基于Context的CNN-BLSTM模型。该模型利用CNN将文本上下文特征映射为一个实数向量,即Context Feature,充分获取了词语之间的特征信息。再将Context Feature作为额外特征与词向量一同作为BLSTM的输入,使得模型可以充分挖掘视频评论上下文信息。实验结果表明,该模型相比LSTM模型可以有效提高评价对象抽取准确率。(2)基于评价对象的情感倾向分析研究。目前,TAB-LSTM模型是一个基于评价对象的情感倾向分析最先进的模型之一。相比于只考虑上文信息的LSTM模型,BLSTM模型可以同时考虑上下文信息,具有更强的特征抽取能力。因此,本文通过对TAB-LSTM模型进行改进,提出了TAB-BLSTM模型。TAB-BLSTM模型通过BLSTM模型来抽取Target信息特征以及上下文信息特征。随后根据BLSTM模型抽取结果来训练Attention模型,该模型可以为BLSTM节点分配特征权重,从而突出对情感极性更重要的词语,提高情感倾向分析效果。实验结果表明,TAB-BLSTM模型相比TAB-LSTM模型可以进一步提升情感倾向分析准确率。