细粒度情感分析是近年来学术界和工业界密切关注的科学问题,在电商评论、社交网络、舆情分析等多个领域都有所应用。细粒度情感分析旨在预测文本语句中某个特定对象的情感极性,从互联网信息中发掘用户的情感倾向和态度,因此受到广泛的关注。现有方法主要基于深度学习方法构建神经网络模型,往往需要大量的人工标注数据构建监督训练集,且面临预测准确度不佳的问题,这严重阻碍了细粒度情感分析在实际产品中的应用。鉴于以往方法的缺陷和不足,本文针对细粒度情感分析核心问题展开研究,提出基于深度记忆网络的全新细粒度情感分析模型。首先,创新性地将传统特征工程与深度表示学习相结合,提出基于语义特征的复合记忆网络细粒度情感分析模型。提出三种特征复合策略,在深度记忆网络中整合基于统计学习的词向量表示与蕴含人类经验的语义特征表示。改进后的复合记忆网络模型在SemEvel2014数据集上取得了超越以往方法的分类准确度。其次,在复合记忆网络的基础上进行优化,对语义特征数据进行离散化处理,大幅减少训练参数总量。结合注意力机制最新进展,提出面向领域迁移学习的复合细粒度情感分析模型。利用语义特征的普适性特点,针对不同领域的商品评论实现一次训练多次复用。实验表明,改良后的模型具备更好的迁移能力,并在SemEvel2014、SemEvel2015和SemEvel2016数据集的两项情感分析任务中取得不错的性能。为了验证本工作模型方案的效果,在取自实际电商评论文本的测试数据集上进行实验,并深入分析细粒度情感分析模型中注意力机制效果。探究注意力机制对细粒度情感分析问题的重要性,针对具体模型进行了详细的对照试验和具体案例分析。通过与前人模型比较发现,本文提出的复合记忆网络能够把更多注意力集中在上下文中关键情感词上,更加直观地展示本文模型的特征表示能力和分类效果。