伴随着互联网技术的不断革新和5G时代的到来,人们越来越倾向在网络上浏览商品和购买各种生活用品,同时发表自己对各种商品的看法和使用感受。这些评论中含有用户丰富的主观性看法,可以分析评论后提取到用户的情感倾向,从而对商品做出有效的改进。目前电商评论文本情感分析还存在词向量情感表达不准确,评价对象没有抽取导致的情感分析力度粗等问题,本文的主要工作如下:（1）针对Skip-Gram模型生成的词向量不能区分出情感倾向相反的单词和相同单词不同词性下具有一定差别的问题,提出一种融合Skip-Gram、词性和SO-PMI算法的情感词向量WSV-POSSO（Word Sentiment Vector based on part of speech and SO-PMI）生成方法。本文首先构建情感词表Senti Tabel表示单词不同词性下的词向量,然后通过利用TF-IDF对SO-PMI加权去得到单词中具有的情感信息,最后将Senti Tabel作为Skip-Gram模型的输入,通过在损失函数中加入情感信息来生成情感词向量。在训练过程中加入单词的词性信息后,生成的词向量可以对相同单词的不同词性进行区分;加入情感信息后,可以更清晰的区分开单词的同义词和反义词,同时也不影响单词的语义表达。在IMDB和NLPCC2014数据集上的实验结果表明,利用WSV-POSSO方法生成的情感词向量比Skip-Gram、GLOVE、SSPE方法情感分类准确率更高。（2）针对目前商品评价对象抽取的条件随机场方法需要大量的人工特征、没有结合输入和输出的相关性、不能融合全文范围的上下文的缺点,提出一种融合注意力机制和BI-LSTM-CRF的情感评价对象抽取方法。首先将评论文本序列化,然后利用双向长短记忆网络来处理序列标注,使用注意力机制对网络输出进行处理,找到评价对象更相关的词语;最后使用条件随机场算法来计算最优的序列标注路径,提高评价对象抽取的准确性。在Sem Eval-2014中的评价对象抽取数据集上的实验表明,该方法相比CRF,LSTM,BI-LSTM等方法抽取准确率更高。（3）针对单一的分类模型在评论文本情感分析中分类精度不高、泛化能力较弱的问题,提出一种基于LDA（Latent Dirichlet Allocation）数据集划分的stacking集成学习模型。该模型首先基于LDA的数据集划分方法来增强各个基分类器的差异性;其次,使用情感词向量对训练集进行词嵌入,训练不同的基分类器;最后,使用逻辑回归和多层感知机的方法来对分类器进行集成。通过情感词向量和LDA数据集划分的集成学习方法来对抽取出来的情感对象进行情感分析,实验结果表明,该方法有效地增强了不同分类器之间的差异,提升了分类的准确率从而完成细粒度的情感分析。