随着互联网的全面普及和不断发展,交流读书感悟和心得的方式也在不断变化和扩充,各种论坛的兴起和网购平台上都包含有大量的用户的书评文本信息。大数据时代,面对海量的文本信息,深入挖掘评论文本中的信息价值不仅能够为商家提供正面反馈,更好的了解消费者们的真实需求和,同时潜在的消费者在进行消费行为前也可以参考借鉴,具有重要的理论和现实研究意义。传统的基于情感词典和传统机器学习的情感分析方法在语义信息特征提取方面表现较差,难以应对网上书评文本的表达更加生活化和网络新词不断更新的情况,本文基于Bert模型设计并实现了书评文本情感分析系统,在粗粒度情感分析下使用Text CNN网络加速模型训练来加快模型更新速度,在细粒度情感分析下使用多层LSTM和注意力机制来解决评论文本语义抽象问题。本文主要工作及贡献如下:1)构建书评文本数据集。通过编写爬虫程序收集网上用户的评论文本,经过人工筛选、文本清洗后,使用jieba分词工具完成分词工作。情感标签标注部分,以机器标注为主,人工标注为辅的标注方式,最终构建共60000条书评文本数据集。2)针对Bert模型在NLP（自然语言处理）方面优异的性能但算力要求高、训练时间长的问题,提出了基于Bert预训练模型和神经网络微调的书评文本情感分析方案。在windows平台下进行仿真实验,通过实验验证,对比传统基于word2vec词向量的情感分析模型,在准确率、召回率等指标表现都要更优秀;同时相对单Bert模型实现的情感分析模型,训练时间更短,耗费的计算资源更少,从而确定系统的可行性和优越性。3)在方面级细粒度情感分析任务中,针对书评文本语义抽象无法有效提取语义信息特征的问题,本文提出一个融合Bert模型、Bi-LSTM网络和自注意力机制的情感分析模型,通过实验验证相较于基础神经网络同注意力结合的各种情感分析模型,本文设计情感分析系统具有更好的情感分析效果。在Windows系统下进行仿真,使用创建的书评数据集进行模型训练,在粗粒度情感分析算法中,使用Bert模型情感分析准确率有2%左右的提升,在连接优化后的Text CNN后模型训练时间上仅18分钟左右,有效加快模型的训练速度。在细粒度情感分析中,使用Bert模型带来1.31%左右的准确率提升,使用Self-Attention机制带来0.9%左右的准确率提升。