随着信息化时代的发展,电商等平台涌现了大量的用户评论信息,这些信息传达了用户的观点与情感,对消费者和商家的决策制定具有重要意义。情感分析是通过对用户评论的整理、归纳、分析出用户表达的情感。相较于对整个评论句判断情感倾向,细粒度情感分析是以句中涉及到的每一个评价对象为主体,判断基于特定评价对象的情感倾向。这种情感分析方法对情感的判断更为准确,也更具应用价值。细粒度情感分析包括两个子任务,分别为评价对象提取和评价对象情感分类。为了在海量的评论中挖掘情感信息,需要研究自动化的文本挖掘方法,以减少整理和分析数据的时间。随着基于神经网络的方法在自然语言处理领域的应用,研究发现该类方法可自动捕获有效的文本特征,解决了传统方法依赖于语法规则和特征工程的问题。本文针对细粒度情感分析的两个子任务,分别提出了基于神经网络的模型:（1）评价对象提取旨在标注用户评论中的评价对象,该任务可看为序列标注任务,输出的序列标注为B-I-O模式。该标注模式存在一定的规律约束,如标注O之后不会直接出现标注I。针对已有方法未将标注的约束规律考虑到模型中的问题,提出了基于历史序列注意力机制的模型。首先利用通用词向量与领域词向量构建输入矩阵。然后利用卷积神经网络对文本建模。其次利用历史序列注意力机制将前文的重要特征与当前特征融合,以达到历史标注约束当前的标注目的。最后将输出特征通过分类器,实现输出序列的标注。实验表明,该模型在多个数据集上的F1指标均有一定的提高。（2）评价对象情感分类旨在判断已知评价对象的情感极性,常见的模型结构是基于注意力机制的循环神经网络。考虑到评价对象常与评价词的距离较近,而循环神经网络会将远距离信息引入当前特征中。并且,循环神经网络无法平行处理数据,对上下文表示也不够充分。为解决上述问题,提出了基于注意力机制和多层卷积神经网络的模型。该模型首先利用卷积神经网络平行地处理上下文,并利用多层结构实现对上下文的多次建模。然后模型利用注意力机制显示地获取每种上下文特征矩阵中相对于特定评价对象而言的重要情感信息。最后将这些情感表示融合在一起,输入到分类器中,即可判断情感极性。实验表明,该模型在多个数据集上的准确率均有一定的提高。最终,利用上述两个模型实现细粒度情感分析,实验表明本文模型在公共数据集上的F1指标有一定的提高。