随着信息技术的发展,移动智能手机的功能越来越丰富,用户可以根据自己的需求安装各种应用程序(以下简称,App),并可以通过便捷的网络实现与外界的实时联系。各大应用市场每天都会涌现出大量的App,这些App在丰富手机用户选择范围的同时,也增加了用户对App的选择困难。因此,对App的属性及其评论文本进行分析,不仅能为用户选择提供建议,还可以指导App的开发商根据用户的需求更新、开发出更优质的App,这方面的研究受到越来越多的关注。区别于传统的情感分析研究,本文基于App的数值属性和用户评论文本建立评价系统,综合分析App的优缺点。(1)对App的基本属性进行描述性统计分析,得出受欢迎App的一些基本特点,如占用内存小,售价低(以免费为主)等。(2)对App的评论内容进行情感分析,尝试实现不同词粒度下的多种情感分析方法,所选的情感分类方法主要有:(i)利用情感词典和自定义规则进行情感分析;(ii)运用传统机器学习模型中的朴素贝叶斯和支持向量机,建立评论文本的情感分类模型;(iii)选择三个深度神经网络模型:多层双向长短时记忆模型(Stacked Bidirectional Long Short Term Memory,简称 Stacked Bi-LSTM);带有注意力机制的 Stacked Bi-LSTM;以及递归卷积神经网络(Recurrent Convolutional Neural Network,简称 RCNN)对评论文本进行分析。结果表明,基于规则的情感分类模型由于受到情感词典和判断规则的限制,其准确度有一定的随机性。其次,利用传统机器学习进行训练的方法,不依赖人工标注的语料集,对文本的处理比较客观和可靠,分类效果有一定提升。最后,基于深度学习的网络模型通过自动学习的方法获得文本的特征,实现端到端的联合建模架构,有更好的文本分类能力,且以字粒度为特征的RCNN网络模型表现效果最佳,适合于手机App评论文本的情感分类,并用改进的数据集进行再训练,准确率达到了 96.74%。(3)对分类后的评论进行可视化展示,分析App的优缺点,快速了解用户对App的观点态度。