由于线上经济的蓬勃发展,商品评论越来越多,评论的内容也各不相同。在这样的场景下如何对这些评论进行分析挖掘,从而得出情感倾向是一件有意义并且值得探究的事情。因为它不仅可以为需要购买商品的消费者提供一些借鉴和一定程度上的参考,同时还能帮助卖家不断完善商品质量,提高服务水平。本文主要研究基于机器学习和深度学习的情感属性分析。文章首先比较不同的分词技术对模型产生的影响,从而找出较好的分词工具。通过对结巴分词、pyhanlp分词和snownlp分词进行对比,发现无论是从分词速度还是分词质量方面,结巴分词的效果都远远好于另外两种分词技术。然后基于分词结果用Word2vector训练词向量并将词向量作为输入,接着利用逻辑回归、SVM、决策树等机器学习算法,以及LSTM、BI-LSTM、注意力机制和它们之间的融合等深度学习模型,分别对本文的中文商品评论数据建立分类模型,之后利用查准率、查全率和准确率等指标评估模型效果,筛选出更适合该数据集的情感分类模型。这里词向量采用加权和非加权两种形式并对比模型的结果,发现非加权的词向量对情感倾向的区分度更高。本文还提出了 StackLSTM+注意力机制模型,即堆叠多层LSTM模型去提取更高层次的信息并结合注意力机制的神经网络,并证实了在该数据集上运用此模型的有效性。