伴随着电子商务的飞速发展,人们越来越倾向于在网络上购买商品和发表个人的评论,网络上与商品有关的评论数量不断增多。分析这些商品评论可以帮助商家发现商品的不足,进而对他们的商品和服务做出改进,同时也可以帮助消费者更好的挑选出满足自己需求的商品。传统的篇章级情感分析能够分析出评论的整体倾向性,但是一条评论内商品的各个方面可能会表现出不同的情感倾向,对于消费者和商家来说掌握商品各个方面的倾向性信息往往比掌握整体的倾向性信息更加重要。细粒度情感分析旨在获取商品各个方面的情感倾向信息,对于帮助商家和消费者更好的了解商品的信息具有重要的应用价值。本文对于细粒度情感分析任务进行研究,本文所作的主要工作如下:(1)针对基于LSTM的情感分析模型无法有效挖掘特定评价属性的情感信息的问题,本文考虑了词语词性和相对位置信息对挖掘评价属性的情感信息的影响,提出了一种基于词性和位置注意力的情感分析模型:PAP-LSTM。该模型利用词性信息和相对位置信息计算词语的注意力权重,充分挖掘不同词语对评价属性的影响,判断不同评价属性的情感倾向性。实验结果表明,提出的PAP-LSTM能够有效的判断评价属性的情感极性。(2)针对传统的注意力机制无法有效关注上下文语境信息的问题,本文利用卷积神经网络能够捕捉文本的n-gram特征的特点,将其应用在情感分析任务的注意力计算中,提出了一种基于CNN计算注意力的情感分析模型:CNNATT-LSTM。该模型在注意力计算中通过设置不同大小的卷积核去捕捉不同上下文范围内的特征信息。该模型通过结合卷积神经网络计算注意力权重有效弥补了传统注意力机制计算过程中无法有效关注上下文信息的缺点,充分挖掘不同词语对评价属性的影响。实验表明,该模型可以生成更准确的注意力权重,并有效的判断评价属性的情感极性。