随着互联网迅猛发展,越来越多的普通网民可以通过网络平台表达自己对事物的喜好、态度,比如商品评论,电影点评等等。这些评论文本中包含了许多有用的信息,对于消费者来说,可以根据已有的评论来对商品质量作出判断,对于商家来说,可以帮助其提高产品质量,提高其竞争力。在这种情况下,情感分析应运而生,情感分析属于文本分类下的一个子领域,是自然语言处理的一个重要研究方向,用情感分析的方法来对繁杂的用户数据来进行梳理和分析,变得越来越重要。传统的情感分析一般是将人们的情感态度分为积极、消极、中性三个方面,但是这种粒度较粗的情感分析越来越不能满足人们的需要,而针对特定实体的细粒度情感分析则能很好地解决这个问题。本论文基于深度学习方法,通过研究之前学者针对细粒度情感分析问题提出的模型:基于目标的长短时记忆网络(TD-LSTM)模型、基于注意力机制的长短时记忆网络(AT-LSTM)模型,发现模型中的缺点和不足,提出自己的改进意见,构建合适的深度学习模型,实现对商品评论的细粒度情感分析。本论文具体研究内容如下。(1)通过分析基于目标的长短时记忆网络和基于注意力机制的长短时记忆网络两个模型,发现其中实体(aspect)与评论文本(context)结合方式的不足之处,借鉴全息缩减表示(Holographic Reduced Representations)的思想,来构造两个向量的融合表示,来改进实体与商品评论的信息交互方式。(2)借鉴近年来在深度学习领域备受关注的注意力机制,对注意力机制的原理和使用进行分析,在此基础上提出交互注意力机制。即对实体与评论文本分别进行建模并采取注意力机制,并且查询向量(Query)不再是随机初始化,对实体使用注意力机制时将评论文本向量作为查询向量,对评论文本使用注意力机制时将实体向量作为查询向量,加强了模型对情感词的关注能力,同时进一步加强实体和评论文本的联系。(3)借鉴Google提出的Transformer模型,并对其进行改进,来替代长短时记忆网络(LSTM)模型作为特征提取器。Transformer模型主要应用的是自注意力机制(self-attention),对于细粒度情感分析,自注意力机制主要是为了生成每个单词的向量表示,在对每个单词编码时关注输入句子的其他部分,生成每个单词的词向量。本论文中以改进后的Transformer模型代替传统的LSTM模型,结合有效的实体与评论文本的交互方式,最后辅以交互注意力机制,形成最终的模型框架,进行商品评论的细粒度情感分析。