随着电子商务快速普及,网络购物已成为人们消费的必经渠道。网络商品评论的情感极性是获取顾客对该种类商品反馈的最直接方式,商家可以通过分析评论洞察顾客体验,优化产品,调整销售计划。与机器学习、规则学习方法相比,深度学习无需人为构建和提取详尽的文本规则与语义特征,能自底向上地提炼文本特征,资源节约效应显著。在当前商品评论情感分类任务中,评论文本与情感词典的数量、质量一直是研究难点,现有算法也存在分类效果不佳、效率较低等问题。针对现有难点,本文主要研究内容如下:（1）使用爬虫技术从京东商城获取真实评论,并对评论进行处理以保证质量。现在广泛使用的语料集都存在文本缺损、商品类型参差不齐等各种不足,为保证使用语料集的准确性与全面性,本文使用爬虫技术从京东商城获取手机、电脑等电子产品评论作为数据集,以产品评论星级为准进行分类存储,便于后续使用。由于获取的产品评论数据可能存在重复评论、无效评论等情况,在规则去重与人工校核后,共获得两万余条有效语料,并设计出三种情感类型,分别为正面、中性和反面情感。（2）构建网络词词典与电子产品领域情感词典。因为网络评论文本规范性通常较弱,NLP常用分词工具jieba自带词典存在领域局限,无法将评论文本完美切分,需构建常用网络词词典,二者相结合使用才能正确切分文本,为词语文本的后续使用提供良好基础。评论文本中不同词语含有不同程度的情感倾向,为准确识别出评论整体的情感极性,需对词语赋予情感倾向性。目前,在情感分类领域汉字情感词典相对较少,所以选用主流的《知网》和台湾大学的情感词典为根基,将基于网络词词典所构建的网络词情感词典进行扩充,作为后续所用的电子产品领域情感词典。（3）改进卷积神经网络结构。对卷积层进行优化,使用数个尺寸卷积核来获取多维度语义特征。对池化层的池化操作进行改进,采用k-max池化以避免丢失大量有用特征。通过添加跳跃层引入原始语义特征,对卷积层提取特征起到信息补充作用。将改进后卷积神经网络作为XL-GSAt MSC算法的一部分,以充分学习商品评论里的隐性文本特征。（4）构建联合词向量并运用于XL-GSAt MSC算法。当前自然语言处理任务大都使用Word2Vec和Glove来预先训练词向量,由于Word2Vec无法根据同一词语不同意思生成词向量,本文选用Word2Vec与XLNet相结合的方式来生成词向量,保证词向量能更好体现文本语义在空间上的关系,并结合词语在情感词词典中的情感极性构建包含语义与情感的联合词向量。由于文本情感分类任务中,CNN易忽略文本上下文语义关系,RNN循环机制存在缺陷,本文构建一种名为XL-GSAt MSC的新型算法。循环神经网络无法处理长语句和并行运算,本文使用门控循环单元结合注意力机制提取长距离特征,提高运算效率。然后,基于门控循环单元所获特征开展MSCNN短距离特征抽取,充分学习商品评论里的隐性文本特征。商品评论情感分类结果可在用户推荐系统中使用,为商品寻找到潜在顾客。