近年来,随着网络的发展和电子商务平台的迅速崛起,线上购物已经成为主流。在消费者深度参与的同时,网络上出现了大量用户评论信息,这些网购评论中往往蕴含大量有价值的信息。通过对这些文本进行情感分析可以得到关于商品的有用建议和反馈,提高购买效率,还可以找到产品问题,改善不到位之处,提高运营效率。情感分析技术由来已久,从最初的基于词典做规则匹配到提取文本特征后基于机器学习算法做分类,再到当下的深度学习技术。本文以电商网站电子产品评论为研究对象,从深度学习算法和LDA主题挖掘两方面对语料数据进行情感分析。主要内容如下:1)基于爬虫技术从电商网站京东等爬取了大量电子产品评论信息并对其进行文本预处理,通过评分数据和人工情感标注等整理得到本文的训练语料。然后在中文维基百科语料上预训练了word2vec词向量模型并将爬取的语料数据向量化。针对传统深度学习模型CNN,RNN的特点和缺陷,本文提出一种CNN-Bi GRU-Attention复合模型对语料数据进行情感极性分析。首先,利用多通道卷积神经网络提取输入文本不同粒度的局部特征信息,然后连接双向门控循环神经网络（Bi GRU）进行上下文序列学习以记忆长距离依赖信息,这种方式即解决了CNN无法进行上下文序列学习的问题,又能够解决传统RNN模型存在的梯度消失或爆炸问题,最后在Bi GRU隐藏层后引入注意力机制（Attentional mechanism）筛选文本重要特征,使模型更多关注对文本分类更重要的词语,提高分类效率。通过设置多组对比实验,结果表明本文所提出的CNN-Bi GRU-Attention模型在电子产品评论数据集上的情感极性分析效果要优于其他复合模型,准确率达到93.09%,F1值为92.96%。2)对上述CNN-Bi GRU-Attention模型调参后重新实验,发现模型性能提升不明显,准确率之间相差不大,泛化能力有待提升,且word2vec为静态词向量模型,虽然通用性强,但无法理解上下文一词多义等复杂语境且无法针对特定任务做动态优化。故在上述基础上,同样基于中文维基百科语料预训练了一个BERT模型,提出一种BERT-Bi GRU网络进行分析。BERT模型内部采用多层Transformer Block结构,使模型可以学习到上下文相关的双向特征表示等深层次语义信息。通过在数据集上进行实验,结果表明预训练语言模型BERT能够获得更好的语义特征表示,相较于word2vec静态词向量无法理解一词多义等复杂语境的问题,BERT-Bi GRU模型有更高的分类准确率和泛化能力,F1值达到95.78%。为了在极性分析的基础上获得更细粒度的信息表示,本文在最后对已分类的评论文本进行LDA主题挖掘,进行文本主题提取和主题情感分析,并根据结果对消费者和商家提出相应的建议。