电子商务与传统商品交易相比提供了在线评论功能,这在电商平台竞争激烈的背景下,对于消费者的选择产生至关重要的影响。如何在海量的评论中准确挖掘消费者情感,并据此改进产品质量、销售策略、客户服务具有重要的商业价值和研究意义。本文采用深度学习的方法针对电商评论数据反映的情感倾向展开研究。结合长短期记忆神经网络LSTM、注意力机制、BERT和卷积神经网络CNN等算法,提高情感分析的准确度。本文的主要工作如下:(1)针对传统神经网络Long Short-Term Memory(LSTM)在粗粒度情感分析中理解语义不全面,情感信息的捕捉不准确的问题,提出了一种融合注意力机制(Attention)与双向LSTM网络相结合的BiLSTM-Attention网络模型,利用长短期记忆神经网络对于时序序列结构的分析,充分挖掘句子中的潜在信息,有效克服长期遗忘的问题。BiLSTM模型通过对语言文本的双向分析,对比普通的LSTM模型能够更好的捕获句子前后的信息。注意力机制的使用能够对句子中不同特征分配权重,对于句子中倾向于用户情感的特征信息进行关注,有效改善识别效率。实验结果表明,在京东爬取的小米手机评论数据集中,融合注意力机制与双向LSTM的神经网络模型相较于其他几个常用的模型,效果有较大的提升。(2)在对电商评论的细粒度情感分析中,使用Word To Vector(Word2Vec),Global Vectors for Word Representation(GloVe)等常见的几种语言模型存在只能够产生固定化语义词向量问题。针对此问题,本文提出了一种基于预训练的Bidirectional Encoder Representations from Transformers(BERT)网络与卷积神经网络(CNN)相结合的BERT-CNN网络模型。BERT模型相较于Word2Vec,将上下文无关的静态(static)向量变成上下文相关的动态(dynamic)向量,进一步增加了词向量模型的泛化能力,充分描述了字符级、词级、句子级之间的关系特征,更好的实现了词语在高维空间的映射。本文采用BERT模型获取句子中的词向量,借助卷积神经网络进一步的进行特征选择与降维,最终获得用户的情感取向。实验表明,在多粒度的京东电商评论数据集中,BERT-CNN网络模型识别率更高,效果提升较大,但是相比于传统神经网络模型,需要消耗大量时间进行模型的训练。