随着电子商务的兴起,越来越多的用户选择网上购物,海量的评论信息成为用户消费的主要参考。用户评论不仅提供了对商品的客观描述,还包含具有主观情感倾向的要素级商品特征描述。从用户评论中抽取要素、分析情感倾向并且结构化展示,不仅可以节省其他用户浏览评论的所需时间,还能够让广大电商网站了解用户的偏好,具有重要的应用价值。本文主要针对用户评论开展要素级商品特征抽取及其情感倾向分析。本文将用户评论的要素抽取转化为短文本分类问题,提出以字为基本单位的字级要素抽取算法。对于中文评论文本,本文所提出的算法基于字级别,不仅可以省略中文分词、词性标注等预处理,同时也避免了由于预处理的不准确带来的误差。本文使用基于字级的深度神经网络对用户评论文本进行要素抽取,该方法不依赖于人工提取的特征,以原始评论文本为输入,以评论文本中所含要素为监督信息,自动学习到对要素分类有意义的潜在文本特征。本文进一步提出了基于混合序列模型的字级要素抽取算法,算法保留了原始文本的序列关系,通过整合卷积神经网络和长短时记忆网络的优势,不仅可以对评论文本进行信息存储,还可以获取对要素分类起关键作用的文本语义特征,对文本的语法信息和语义信息都能够很好建模。对于要素级情感分析任务,本文使用基于标签的卷积神经网络模型进行要素级的情感倾向判断,通过加入相对位置信息,使得模型对情感分析结果更加准确。本文将基于字级别的深度神经网络应用于要素抽取和情感分析任务,并在真实的数据集上进行验证。实验结果表明,与基于词级别的模型以及传统的文本分析模型相比,本文所提出的基于字级的深度神经网络模型的效果更好。