交互性在线电商平台运营过程中累积了大量携带情感信息的产品评论文本。如何对此类文本进行细粒度情感分析,准确识别出属性词和观点词并准确抽取其搭配关系,从而精确把控用户需求,为用户决策及产品推广提供支持,成为当前学术界与业界的研究热点之一。本文基于迁移学习与深度学习,围绕细粒度情感分析在底层特征建模、上下文信息融合、隐式观点词提取、情感极性判断等关键问题展开研究,并基于真实电商领域产品评论文本建立细粒度情感分析原型系统,为本文算法模型的实际应用提供了平台支撑。主要研究成果如下:(1)提出一种基于知识迁移和双向GRU+CRF的模型,用以解决属性词与观点词抽取任务中由于缺乏高质量标注语料,导致模型过度依赖于底层输入信息丰富度的问题。融入迁移知识作为模型的底层输入,为模型提供了更丰富的可学习特征,其抽取效果相比其它模型得到提升;(2)提出一种结合显式位置信息的Bi LSTM+Attention模型,把重要的相对位置信息作为底层输入的组成部分,在模型中融入注意力机制,有效减小了句子级别非正式文本的噪音权重,解决了显式属性-观点对提取任务中特征权重分配不合理且对重要位置信息利用不够充分,导致模型无法提取鲁棒特征的问题;(3)提出一种新型Bi LSTM+K-Attention的模型,针对隐式属性词抽取不够精准问题设计了新型K-Attention结构,在有效利用了k-means提供的先验知识的同时,能够学习到具有合理权值分配的表征,用于属性词类别的多分类,有效提高了隐式属性词抽取的准确度。同时针对隐式观点词无法得到有效识别这一问题,提出基于k-means情感聚类和语义相似度的算法,经实验验证了该算法的有效性及精准性;(4)提出一种基于情感词典与语义相似度的方法用以解决情感极性的判断问题。选取高质量的种子词并以此为基础对词典进行有效扩充,同时通过语义相似度计算解决了情感词典无法覆盖的情感词的情感极性的判断问题。该模型在很大程度上改善了通用情感词典领域针对性较差的现状,有较好的性能表现。综上,本文结合现实需求针对电商领域产品评论文本设计了一套完整的情感极性评判算法,为今后相关研究提供可借鉴内容。