改革开放40多年来,我国的经济呈现出稳步持续的增长趋势,与此同时,随着互联网技术的高速发展,社交网络已经逐步渗透到人们生活的方方面面,各种社交论坛、网站、APP等如雨后春笋般诞生,在满足人们各式各样的生活需求时,也为我们提供了商品评论、社交评论、服务评论等信息。这些评论中隐藏着评论者对评论对象的反馈,挖掘其中的情感倾向信息,能够给消费者提供购物参考,也能帮助商家优化产品、改进经营策略。因此,本文以电影评论为研究对象,通过分析其中的情感倾向,为购买提供决策支持,也从客观角度全面分析影片,总结正面或负面的反馈意见,指导电影行业朝着更好的方向发展。本文以《流浪地球》电影评论数据为基础,不仅从整体角度进行了评论信息的粗粒度情感分析,还从挖掘评论主题视角下进行了细粒度情感分析,主要研究内容包括:(1)数据采集与预处理:本文基于网络爬虫技术,利用Python爬取了豆瓣网、猫眼APP上《流浪地球》影评数据;预处理过程主要是去除重复性及无关性文本、纠正拼写、语法错误等,共得到12823条影评。此外还介绍了词向量技术——Word2Vec和BERT模型,为后续情感分析实验奠定基础。(2)粗粒度情感分析:本文分别分析了情感词典及规则模型的情感分类和BERT-Text CNN深度学习模型的情感分类:在基于情感词典及规则模型的分类中,以知网情感词典为基础词典,补充否定词词典、程度副词词典、连词词典、反问副词词典等四个辅助词典,筛选出候选情感词,采用SO-PMI算法构建了电影领域的情感词典,设计情感计算规则,按照情感得分值进行情感极性的二元分类;在基于BERT-Text CNN模型的分类中,使用BERT模型做文本向量化处理,作为Text CNN模型的输入,经参数调优后,进行了情感极性的三元分类;最后,引入贝叶斯理论,将情感值作为先验信息,提出了BERT-Text CNN-B模型,分类效果显著提高,准确率96.22%,精确率82,51%,召回率89.03%,F1值85.51%。(3)细粒度情感分析:本文首先利用LDA主题模型进行主题建模,提取评论中的主要主题以及相应主题所包含的属性词,又自定义主题与初始化属性关键词,采用Word2Vec词向量化技术,根据Cosine相似度计算实现属性词聚类,以词云图展示聚类结果,融合主题-属性词集合后,得到“题材”、“剧情”、“角色”、“画面”、“配乐”五个主题,基于BERT-Text CNN-B模型进行主题角度下的情感分类。