随着互联网技术和电子商务的飞速发展，越来越多的消费者将网上购物作为主要购物方式。作为的网上购物的主要渠道，电子商务平台在方便消费者和商家交易的基础上，还产生了大量的在线评价信息。在线评价收集了每一个产品历史消费者的个人意见，改变了消费者以前只能通过商品描述和熟人口碑来了解产品的状况，从各个角度为消费者的购买决策提供了支撑。此外，在线评价中包含了大量的市场信息，如产品需要改进的方向、产品和服务质量等等，可以帮助企业实现以客户为中心的产品服务理念，从而扩大市场份额和提高收益率。通过对电子商务在线评价的情感分析，消费者可以提前了解产品的实际质量和功能等信息，电商平台可以获得不同用户的偏好，生产商也能够把握消费者需求的及时变化。然而，传统情感分析是一种粗粒度的情感，主要是围绕篇章、段落、句子级的文本进行，虽然能够分析出消费者对产品的综合态度是褒义还是贬义，但是却不能分析出消费者对产品某一具体属性的情感态度，因此围绕产品属性的细粒度情感分析研究具有重要现实意义和理论意义。
　　本文在国内外研究现状及文本情感分类、文本向量化、多任务学习模型等相关理论基础上，运用特征工程和机器学习算法，对在线评价细粒度情感分析中的关键任务主题抽取与情感分类进行了深入研究。首先针对在线评价文本中产品属性的抽取问题，通过引入外部中文语料库与在线评价文本语料进行综合训练，减少语义理解错误，并运用机器学习中的聚类算法对消费者关注的产品属性进行综合分类，继而提出了一种融合聚类算法的基于词向量的特征抽取方法，同时将该方法与基于词频和基于主题的特征抽取方法进行了比较分析。进一步深度挖掘在线评论文本中的消费者细粒度情感信息，通过引入SIF嵌入法对词向量层进行降维处理，在尽可能减少语义损失的前提下生成文档特征向量，并将神经网络算法融入多任务学习中流行的MMoE框架中，设计了包含词向量层、池化层和分类层三个核心层体系，基于MMoE框架的共享神经网络细粒度情感分析模型。最后，通过美团点评数据集对比分析了随机森林、支持向量机、逻辑回归、三层神经网络模型情感分析效果，并对基于MMoE的共享神经网络细粒度情感分析模型的有效性进行了验证。
　　实验结果表明基于MMoE的共享神经网络细粒度情感分析模型在准确率、损失值等评价指标上明显优于其他模型。因此建议未来生产商在未来进行客户口碑研究时选择在线评价文本作为信息输入，使用多任务学习神经网络进行商品在线评价的细粒度情感信息挖掘。