随着网络购物的高速发展,社交电商网络购物已经变得越来越普遍。社交电商通常使用文字描述的方式对商品进行分享和传播,由此产生的大量社交电商语言文本内容携带了丰富的数据信息,包括商品的品牌、类型、名称和特点等等,从海量的社交电商语言文本数据中提取这些有价值的信息,蕴藏着很大的分析价值,因此,本文对社交电商语言分析模型进行研究。论文在基于之前的研究人员所提出的BERT预训练语言模型之上,提出了社交电商文本分类算法和社交电商命名实体识别算法,并且加以改进,然后还提出了一种结合两种算法的模型优化方法。本文的主要工作内容及成果如下:1.对BERT预训练语言模型和语言文本处理中的机器学习的神经网络模型进行研究,选择合适的语言模型和网络结构,根据社交电商语言文本数据的特点加以优化和改进,使其能够应用于社交电商文本的分析任务之中。2.提出了基于BERT-Softmax的社交电商文本分类算法和基于BERT-BiLSTM-CRF的社交电商命名实体识别算法。在社交电商文本分类算法中,为社交电商语言文本划分了 20个类别标签,在社交电商命名实体识别算法中,设定了“品牌”“名称”“特性”三个实体标签,本文算法的目的是对这些类别和实体标签加以有效的判断和识别。3.提出了一种结合两种算法的模型优化方法,社交电商语言文本的类别标签和实体标签还存在着一种规律,即当确定了一种标签之后,另一种标签的范围也能被确定,采用基于规则和基于训练的优化方法,能够反映这个规律,从而进一步提高语言模型的预测准确率。本文训练了适用于社交电商文本的语言模型,通过多组对比实验分析语言模型在分类任务和命名实体识别任务上的效果,同时证明了本文的改进和优化方法的有效性。