电子商务作为最近几年最为普及的用户购物媒介,其服务的用户数量级以亿计算,与之相伴的是成千上万的日成交量与访问量。在当前的线上购物环境下,为了提高用户消费体验以及收集用户购物意见,各大电商平台都以用户对某件商品历史评论数据作为商品的额外属性,一方面可以帮助消费者了解商品的真实情况,另外一方面也可以帮助电商平台获得用户的反馈意见。然而海量的评论数据存在质量参差不齐、信息鱼龙混杂等问题,使得用户与平台都无法便捷获得有效信息,因此对评论文本进行整体情感倾向分析对于有效信息获取具有十分重要的意义。所以如何将评价文本的情感倾向信息融入商品的排序,以便于为消费者推荐更优质的商品就成为了本文研究重点。针对当前商品排序存在的问题,本文提出了基于用户评价的情感分析下的综合排序方法,并以此排序作为商品推荐的依据。对于评论文本情感分析问题,以现有基于BERT的情感分析模型为基准,通过在语义层引入注意力机制实现对全局文本的语义加权,避免了文本部分位置表征缺失的问题。在已构建的电商平台文本数据集的实验表明,改进后的情感分析模型F1值为86.4%,相较于基准模型提高了1.6%。同时为了捕捉语料库中的全局词间的共现关系,加强不同文本句间的联系,本文将已构建的语料库构造成一个大型异构文本图,然后基于图神经网络在样本标签的监督下学习图中的每个节点表示,从而获得带有结构信息的节点特征。最终,将加权后的语义信息与全局关系信息进行拼接得到最终的评论文本表征。实验表明,融合语义信息与全局关系信息的情感分析模型F1值为88.5%,相较于基准模型提高了3.7%,接下来对商品的其他因素利用特征工程编码处理,结合商品评价信息的情感值因素,按照因子分析和主成分分析两种方法赋权,再依照加权后的综合得分进行商品推荐排序。由此可见,这种新的排序方法不仅考虑到原有的商品各项参数,还将用户评价情感倾向纳入排序决策过程。最终利用图表展示了新的排序结果,通过可视化分析说明了生成该排序可能的因素。本文针对电商商品的评论文本提出了融合加权语义和全局文本关系的情感分析模型,继而设计并实现了结合用户评价文本情感倾向的生鲜排序方法,使得用户与平台快速获得有效信息,提高了用户购物效率的同时也可以使商家更加注重商品的品质及售后,以便提供更周到的消费服务体验和更高品质的商品。