细粒度情感分析透过文本从评价对象及其属性的角度出发分析作者情感倾向,其主要任务包括评价对象及其属性的识别(主题识别)、情感极性识别以及主题与情感的融合三部分。文本提出将本体与深度学习融合的细粒度情感分析的模型,将本体,情感词典,深度学习以及规则相融合识别评论文本的细粒度情感,主要研究内容包括主题识别、情感极性识别以及主题与情感融合三部分。针对主题识别,提出将领域本体与神经网络结合的方法识别文本中的主题的方法,首先使用文本预处理去除停用词,获取文本分词结果,后使用分词结果和领域本体识别文本中显式主题,保证显式主题识别的准确性,使用分词结果与深度学习方法识别文本中的隐式主题,保证隐式主题的可获得性,通过融合的方法识别文本中的显式主题和隐式主题。针对情感极性识别,提出将情感词典融合到深度学习的情感识别方法,使用情感词典标识文本中情感词、非情感词、程度词与否定词,设计基于词类型、词性的词嵌入模型,使得神经网络可以更关注情感词、程度词与否定词,提升情感识别的效果。同时引入考虑词位置信息的注意力机制,在解决长期依赖问题的同时,基于位置信息着重考虑目标词周围的语义信息,提升主题的情感识别的效果。针对主题与情感识别,提出将主题识别与情感识别融合的情感分析方法,在主题识别的过程具有可解释性,显式主题识别可以直接获得原文本中的主题词信息,隐式主题可以通过神经网络获得隐式主题向量表示隐式主题信息,在情感识别过程中,融合显式主题与隐式主题的主题信息,着重考虑这些特定主题词周围的情感词,即在神经网络中加入主题词类别与主题词位置信息,实现特定主题的情感识别,进一步提高细粒度的情感识别的效果。最后通过实验对比,证明了本文提出的基于本体与深度学习融合的细粒度情感分析模型的有效性,实验结果表明,文本提出的细粒度情感分析方法相比于其他方法在准确率、召回率、F值上均具有一定的优势。