近年来,随着电子商务的迅猛发展,网购评论作为传统口碑的数字化版本己经成为网络消费评价的最主要信息来源之一。一方面,大量理论研究及实践应用表明,消费者对线上商品所表达的情感倾向不仅对其他消费者的潜在购买决策有重要指导作用,而且对于生产商和商家改进商品品质、持续优化经营策略具有重要影响;另一方面,由于不同消费者和商家对于不同商品特征的关注度往往不同,因此传统基于网购评论整体情感倾向性的分析结果,已经无法满足用户日益多样化的现实需求。基于上述背景,本文在深入学习国内外情感分析理论及其主要研究成果基础之上,以某电商平台关于手机的交易数据作为研究用实验数据,将情感分析作用于商品的不同属性,开展了基于网购评论信息情感倾向性分析的在线商品销售量预测模型研究,主要研究工作如下:(1)提出了一种基于融合词性的BiLSTM-CRF模型的商品显式特征提取方法。该方法首先对基于词语的评论句和基于词性的评论句进行独立建模,分别使用BiLSTM网络学习评论信息的长期依赖关系,然后将词语与词性的特征进行融合,并将融合后的语义特征接入全连接网络,最后将全连接网络输出的结果作为CRF网络的输入,经过CRF层的训练得出带有特征标注的文本序列。利用该方法,完成了对实验数据商品显示特征的提取并取得了较好的实验验证效果。(2)提出了一种基于上下文得分的线上商品隐式特征提取方法。该方法首先构建共现矩阵确定候选隐式特征词,然后求出其与上下文中特征词的相似度,最后综合计算候选特征词得分来提取商品隐式特征。通过实验验证,证明了利用该方法可实现对商品隐式特征进行有效提取。(3)根据提取出的含有特征及观点的评论句,首先利用情感词典判断含有商品特征的评论句的情感倾向值并将据此构建初始训练集,然后通过分类器结合自训练方法判断其余含有商品特征评论句的情感倾向。最后根据构建的特征词典得到每个特征簇的情感倾向。该方法不仅解决了传统分类算法需要进行大量人工数据集标注问题,同时在实验验证中取得了较好的实验效果。(4)在上述研究成果基础上,构建线上商品销售量预测模型。通过计算每个影响因素的影响权重来选择权重大的因素,然后结合得到的评论文本中商品特征的情感倾向值来构建BP神经网络模型。通过对手机销量预测的实验验证,证明了该方法的有效性。