随着电商直播、短视频等新兴产业地快速发展,网络购物成为消费主要路径,海量在线评论随之而生。评论信息不仅能为消费者在购物决策时提供有效信息,还能为商家进行产品优化和服务改进时提供可行方向。因此,研究细粒度情感分析方法具有重要的商业价值和社会意义。该研究从细粒度情感分析的视角出发,给出了一种新的细粒度情感识别及量化分析的方法。在理论层面,该方法深层次探讨和分析了评论信息中的产品属性及面向属性的情感,丰富了细粒度情感分析的理论与方法;在实践层面,该方法有利于从多维度揭示用户对产品整体及局部的满意度,提高用户获取和利用信息的效率。目前,已有的传统细粒度情感分析研究方法还存在许多不足,一方面产品属性和属性间关系的识别通常需要借助领域本体,而本体的构建较多地依赖于先验知识,自动化程度不高,效率有待提升;另一方面传统的情感量化计算方法依赖于情感词典,不能较为科学地量化用户情感强度,合理性有待提升。因此,如何高效系统地识别属性与属性间关系并更加科学地量化面向属性的情感强度,成为细粒度情感分析的研究重点。为此,本文尝试构建模糊本体并结合长短时记忆神经网络（LSTM）对在线评论文本进行细粒度情感分析方法研究。本文涉及的主要工作包含两个方面:一方面,提出了一种评论信息细粒度情感识别方法。该方法针对产品属性和属性间关系识别自动化程度较低的问题,基于评论信息中的名词,利用关联规则挖掘高频出现的名词及名词词组,并借助Word2Vec技术识别同义属性词,最后基于概念层次学习算法半自动化构建了模糊本体,统一了属性概念并揭示了属性间的从属关系;在此基础上,利用长短时记忆神经网络构建多层属性识别模型和情感识别模型,并通过查全率、查准率和F值三项指标对实验结果进行评估,实验证明两个模型共同作用有效识别了评论信息中的多层属性及情感。另一方面,提出了一种细粒度情感量化测度方法。该方法针对情感量化计算依赖于情感词典且合理性较差的问题,利用情感识别模型输出的概率值来表示属性情感量化的分值;在此基础上,构建单个属性、属性类别和产品整体的情感量化测度模型,基于细粒度属性及情感识别的结果量化分析用户对单个属性、属性类别和产品整体的情感强度。