近年来,随着电子商务的发展,广大网络用户已经从过去单纯的信息接收者变成评论的主要发布者,因此生成了大量关于网络商品评论的数据。充分挖掘和利用这些信息显得格外重要。消费者在网购评论信息中包含了对所购商品的情感倾向,不仅可以帮助新的消费者购买最符合要求的商品,同时可以让商家综合广大消费者的评论来改进商品,进而提升用户满意度,促进购买量。利用现有的自然语言处理技术来分析这些评论文本的情感倾向,成为很多研究人员关注的热点研究领域之一。基于上述背景,本文开展了对网络商品评论信息的情感分析研究,主要研究的工作内容主要包含以下两个方面:1.采用BERT语境化词向量代替传统的词嵌入向量。传统的词嵌入向量是静态词向量,无法解决“一词多义”的问题,为此引用BERT模型获取到具有上下文信息的动态词向量。实验结果表明基于BERT模型得到的动态词向量相较于静态词向量能够更准确的实现文本情感分类。2.本文搭建一个基于注意力机制的网络结构,用于学习目标与上下文本之间的关系。模型通过注意编码层获得有效的上下文表示,利用目标特定注意层获得针对特定目标的文本表示向量,之后通过输出层预测出情感极性。本文通过多组实验,确定了网络结构中重要参数的最优值,并通过与多种模型进行对比实验,验证了该模型的有效性。实验表明该模型与现有的基准模型相比较情感分类准确率更高。此外,为了解决标签为中性的训练样本是不可靠的问题,本文在模型的损失函数中添加了标签平滑正则项。实验结果表明添加标签平滑正则项后,在三个公共数据集上平均准确率提升了 1.08%。同时,基于上述模型实现一个商品评论的情感分析测试服务。本文使用Django框架搭建Web系统,整合模型,实现该服务的可视化展示。本文将BERT预训练模型得到的动态词向量应用到情感分析任务中,同时构建了一个基于注意力机制的网络模型,实验结果显示预训练的词向量和该模型在情感分析任务上取得不错的效果。