随着电子商务平台的快速发展,越来越多的人在网络上发表自己的观点。对于商家,通过分析消费者留下的评论信息可以更加准确地把握消费者的需求动态,从而生产出更加符合消费者需求的商品。对于消费者,他们可以从其他消费者留下的评价信息中获得更加客观的商品信息,从而对商品的质量和自己需求的契合度有更加直观的认识。由于这些带有主观倾向的评价具有很大的分析价值,因此细粒度情感分析成为当前自然语言处理领域的一个重要研究方向。针对深度学习方法中存在注意力机制无法对目标词进行正确定位,导致细粒度情感分析准确率低的问题,提出一种基于改进注意力机制的中文细粒度情感分析模型Bi LSTM-WVMA。模型的输入分为两部分,一部分将word2vec词向量特征与基于词频统计的TF-IDF特征进行特征融合,构成权重词向量,并将其分别输入到Bi-LSTM和注意力机制中。另一部分为细粒度要素的word2vec词向量特征,将该部分也输入到注意力机制中以构建匹配注意力机制。利用匹配注意力机制同时捕获上下文信息和细粒度要素信息,并为每一个词语分配一个注意力权重。生成的注意力权重再结合Bi-LSTM提取的特征一起送入softmax中,得到最后的情感极性。最后,在AI Challenger 2018细粒度用户评论情感分析数据集上,对所提出的模型进行评测。实验结果表明:基于改进注意力机制的中文细粒度情感分析模型可以更加准确地定位目标词,相较于改进之前的基于注意力机制的双向长短期记忆网络,模型的F1值的均值可提升4.57%,达到69.92%,且与SVM、Fast Text、CNN、Text CNN等传统情感分析模型相比,该方法也取得了更佳的结果。