近年来,越来越多的消费者在购物平台上留下评论信息。用户评论往往包含顾客在消费过程中对服务、质量、性能、价格等多个方面的情感倾向。一些商家希望从顾客的评论中挖掘商品各属性的口碑,以辅助经营。同时,越来越多的消费者正尝试从其他顾客的评论中获取详细的商品评价,以辅助消费决策。如何自动化地从用户评论中提取多个指定属性的情感倾向,以便提供详细的用户情感分析报告是亟待解决的问题。细粒度情感分析对该问题开展了研究。大部分情感分析任务针对文档级别,将一篇文档作为整体实施情感分类,并已经在基于统计机器学习和深度学习的方法上获得了长足的发展。由于细粒度情感分析任务需要对评论中的多个属性判断情感倾向,一些研究者将该问题转化为针对各属性的文档级别的情感分析问题。这种方法使各分类器间无法共享学到的知识,阻碍了性能提升。针对细粒度情感分析任务开展研究需要大规模数据集的支持。受到长尾效应的影响,真实世界的大规模数据集往往存在类别不平衡的问题。首先,本文对一个包含12万样本的网络食评数据集进行分析,并针对数据集中存在的类别不平衡问题,提出了基于词替换和文本拼接的数据增强方法。使用一个基于长短期记忆网络的模型,在数据集上进行探索性实验,证明了2种方法的有效性。然后,针对该数据集上的细粒度情感分析任务,提出了协同双向编码网络(Co-bidirectional Encoding Network,CENet)。CENet对相关方法提出以下3点改进:其一,针对中文分词后数据稀疏等问题,使用字向量与词向量融合的文本表示方法。其二,在各个属性上分别训练分类器无法利用评论文本中各评价单元的边界信息,降低了学习效率。针对该问题,使用多层自注意力机制,并行化地在各个属性上训练分类器,并通过一个双向长短期记忆网络实现并联,使各分类器之间共享知识,协同工作,加强对各自属性上特征的学习。其三,针对注意力机制对位置不敏感的问题,将位置编码融入字、词向量,并使用对位置敏感的注意力机制学习字、词的位置特征。在上述网络评论数据集上的对比实验表明,CENet拥有良好的表现,且从本文提出的数据增强方法中得到进一步的性能提升。最后,基于Tensor Flow Serving、Flask和Vue等技术,使用CENet模型构建了一个用户评论自动化情感分析及数据可视化平台。