随着电商平台的快速发展,越来越多人热衷于网络消费,随之而来的是海量的产品评论。而这些产品评论中往往隐藏着大量信息,携带着用户对于产品的各个属性的情感倾向。而在产品细粒度情感分析方面评价对象和评价词的提取是最关键的,只有实现了评价对象和评价词的精准提取,才能准确的分析出用户对于产品的各个属性的情感倾向。本文围绕提高评价对象和评价词的提取准确率的问题,提出了一种新模型。了解用户对产品的某一属性表现出的态度是喜欢还是不满,细粒度的情感分析可以达到这样的目的。而在进行细粒度情感分析时,我们第一步就是找出产品评论文本中的评价对象和评价词,并一一匹配。基于此,本文提出了一种新的算法GLDA,该算法是由深度神经网络门控循环单元(gated recurrent unit,GRU)和主题模型潜在狄利克雷分配(Latent Dirichlet Allocation,LDA)结合而成。而为了进一步提高评价对象的提取精度,本文针对特定领域构建了评价对象集合,实现领域同义词(用来描述同一特征的不同评价词叫做领域同义词)的聚类,提高了评价对象的提取精确度。基于提出的新算法GLDA,本文设计了一种适合酒店评论细粒度情感分析的模型,并将此模型运用到猫途鹰(TripAdvisor)网站酒店真实评论数据上,对评论数据进行了细粒度的情感分析。实验结果表明,提出的新算法GLDA在文本建模能力上强于LDA和SentenceLDA(Sentence Latent Dirichlet Allocation),而且设计的基于GLDA算法的细粒度情感分析模型在酒店数据上的分析结果比其他两种算法精度和召回率高。证实了模型的可用性。