文本情感分析又称文本意见挖掘,是应用计算语言学知识对文本中蕴含的情感信息进行分析、归纳的过程,是自然语言处理领域研究热点之一,具有广泛的应用场景。传统的情感分析任务主要研究整段文字的情感极性,缺乏对语料深层次观点的挖掘,相比之下细粒度情感分析则可以挖掘文本中某些具体对象的情感极性。然而分析内容的细化使得信息提取难度急剧增加,尤其是对于含有多个不同评价对象的评论文本,评价对象数量较多,准确匹配其相关情感表述成为一大难点;同时多个评价对象间可能有着重叠、关联等关系,对划分情感表达空间造成困难;此外,排除无关信息干扰也是这一问题的难点。针对以上问题,本文提出使用基于类别对象的情感分析研究方法用于挖掘商品评论文本中具体对象的情感极性,将评价对象定义为类别词汇,使用深度学习框架,搭建可以完整解析依存关系的文本表示层,同时在上层使用卷积算法强化类别表达,使用非线性单元匹配类别对象与情感特征,从而实现类别对象的情感极性分类。本文的主要贡献如下:(1)提出一种融合依存句法关系的类别对象情感分析算法模型。将文本的依存句法关系构造成节点关系矩阵,用于指示句子中词语间存在的关联关系,划分关联空间,通过图卷积神经网络作用在节点关系矩阵上提取文本特征,从而将文本中关联较强且距离较远的特征融合;在此基础上通过模式识别划分文本中的类别特征,类别特征经过门控单元筛选后与文本情感表述形成匹配关系;并在输入表示层添加动态词向量强化输入文本表示部分,动态词向量可以跟随算法模型进行调整。经过实验对比分析,在Al Challenge 2018细粒度情感分析数据集上,模型比基准模型的分类效果有大于1%的提高。(2)设计实现基于上述算法的商品评论系统。系统可以根据指定类别对象分析其在文本中的情感极性;在展示分类结果的同时,标注出该意见在文本中的关联位置;统计不同类别对象对应不同情感分类结果的数量,直观展示出来。本文是针对文本类别对象的情感分析方法研究,该方法能有效提高意见分类精度,对分类结果进行有效预测。此外,基于本文提出的模型设计出的商品评论系统可以有效处理评论文本,实现良好的展示效果。