随着互联网、移动互联网的快速发展,在线购物网站已经成为人们购物的首选平台。与此同时,京东、天猫、淘宝、当当等主流的在线购物网站上积累了大量的商品评论,这有助于消费者了解商品的真实信息,帮助消费者购买最符合自己需求的商品;同时,根据评论中的用户反馈,商家可以对商品进行有针对性的改良。然而,商品评论在给消费者和商家带来便利的同时,也带来了额外的负担——需要花费大量的时间和精力阅读并理解评论中隐藏的商品属性,以及消费者对该属性表达出的情感倾向。因此,消费者和商家都迫切需要一种自动化或半自动化的方法,帮助他们处理粗粒度的商品评论,快速获取细粒度的商品评价与情感分析。细粒度情感分析旨在提取出文本中的属性信息,并对该属性所表达的情感观点进行识别,是近几年的研究热点。相对于一般的情感分析,细粒度情感分析以单词或短语为基础,判断这些细粒度对象在文本中表达的情感色彩,使用细粒度情感分析处理商品评论,可以对评论中的商品属性进行有效的提取和情感识别,帮助消费者和商家获取有效信息。细粒度情感分析可以分为属性提取和属性情感识别两个过程。已有的属性提取方法取得了很好的效果,但是这些方法往往只考虑单词本身的含义,忽视了单词之间的联系。属性情感识别中也存在着属性情感词识别不全面,从而影响属性情感极性预测的问题。为了解决这些问题,本文提出了一种基于依存关系和条件随机场的属性提取方法和一种基于依存关系嵌入和注意力机制的属性情感分类方法。具体工作如下:(1)提出一种基于依存关系嵌入与条件随机场的商品属性提取方法。首先,基于单词属性、单词依存关系及其词嵌入形式构建三类单词语义信息,包括:基本语义信息、结构语义信息和类别语义信息;然后,结合三类语义信息与条件随机场模型来提取商品的属性。实验结果表明,与不加入语义信息相比,融合三类语义信息的方法在准确率上提高了 3.97%;与已有的代表性模型相比,该方法在评价指标F1上最多提高了 7.65%;提出的方法能够有效地对商品评论数据的属性进行提取,为基于属性的细粒度情感分析奠定良好的研究基础。(2)提出一种基于依存关系嵌入和注意力机制的情感分析方法,用于商品评论的细粒度情感分析。首先,使用LSTM得到文本的隐状态向量。其次,基于向量组合模型中的BI激活函数,将隐向量和依存关系词向量组合形成新的单词向量形式。然后,使用注意力机制将属性向量和组合向量输入注意力机制中,得到文本的注意力权重向量和权重表示,最后使用softmax得到预测的属性情感极性。本文使用三个真实数据集进行实验,并与具有代表性的属性情感分类方法相比较,实验结果表明,该方法有效提高了属性情感分类的性能。本项工作可以帮助消费者或商家了解商品信息,为购买商品或改进商品提供决策支持。