互联网的发展极大的促进了社交媒体的发展进程,UGC（用户内容生成）的社交媒体模式,使得越来越多的消费者转向社交媒体研究产品,通过浏览社交媒体中关于产品的相关评论制定自己的购买决策。近年来医美行业获得快速发展,医美用户规模逐年增长,医美消费者在消费后会在社交媒体中分享自己的消费经验,在分享贴的下面有大量医美消费者和潜在消费者关于医美的评论,评论中隐藏着大众对于医美的反馈,挖掘其中的情感倾向信息,能够给医美消费者与潜在消费者提供决策参考。为尽可能地挖掘评论中的隐藏信息,本文以小红书中10个医美项目的评论数据为例,提出一种细粒度的医美评论情感分析方法,为消费者决策提供参考。首先构建了单独基于字符特征或词语特征进行学习的Text-CNN、Text-RNN、DPCNN三种经典的深度学习模型作为基准模型,并将以上三种模型分别单独以字符特征与词语特征进行学习,在医美评论数据上进行实验。根据对实验结果的分析,Text-CNN在本文数据集表现最好。同时,实验表明单独以字符特征进行学习会损失部分整体语义信息,单独以词语特征进行学习会损失部分局部语义信息,因此为解决传统模型会损失部分语义信息的问题,提出基于字符特征和词语特征融合进行学习的2D-Text-CNN优化模型。通过对比实验得到:在最优情况下基于字词融合的2D-Text-CNN优化模型比单独以字符特征进行学习的Text-CNN、Text-RNN、DPCNN、Transformer模型在F1值上分别提高了2.87%、3.48%、2.67%、5.86%,比单独以词语特征进行学习的Text-CNN、Text-RNN、DPCNN、Transformer模型在F1值上分别提高了3.62%、5.78%、6.74%、8.44%,验证了将传统的以单一字符特征或词语特征进行学习的单通道模型改进为融合字符特征与词语特征进行学习的2D-Text-CNN优化模型,能够提升对医美评论数据的情感分类效果。基于字词融合的2D-Text-CNN优化模型在医美文本情感分析方面有较好的表现,利用该模型对评论数据首先进行“正、中、负”三种极性的粗粒度情感分类,然后对得到的中性情感评论进行“是咨询、否咨询”的粗粒度二分类,得到小红书中的粗粒度的医美情感态度。接着利用LDA主题模型对小红书平台中关于医美咨询的评论进行主题挖掘,挖掘出“产品”“价格”“医院”“效果”四个主题。为更好的贴合医美消费者与潜在消费者关注的医美主题属性,对挖掘出的主题自定义关键属性词,并利用Word2Vec词向量模型对关键属性词集合进行扩展,然后根据关键属性词集对带有粗粒度的正负情感倾向的评论进行主题标注,获得主题-属性角度下的细粒度情感分布。最终实验表明:（1）小红书平台中关于医美的评论数据有接近一半为中性,其中中性评论中有一半的评论是与医美咨询相关的评论。在去除中性评论后,小红书平台中对医美的整体情感态度明显倾向于正向,具体到医美项目上,在鼻部整形、面部轮廓、胸部整形三个项目上表现出较高的负向情感比例。（2）小红书平台中在效果这一主题属性上普遍表现出较高的正向情感,在产品这一主题属性上表现出更多的负向情感,说明大多数的医美项目能够为消费者带来满意的效果,但在进行医美项目时需要重点关注所使用的产品、仪器的质量。（3）对于小红书平台中对鼻部整形、面部轮廓、胸部整形三个项目上表现出较高的负向情感比例的结论再进一步从主题-属性角度进行分析,发现小红书中对胸部整形项目在四个主题-属性角度下均表现出较高的负面情绪,因此建议消费者对于胸部整形项目谨慎消费;对于鼻部整形项目的负面情绪,则主要集中在产品这一主题上,因此建议消费者在进行鼻部项目时,要重点关注所使用产品是否有正规认证;关于面部轮廓的负面情绪主要集中在产品和价格两个主题,因此建议消费者在进行面部轮廓时,除关注产品外,还应该注意价格是否合理、是否有隐形消费等问题。