情感分析作为自然语言处理的重要内容,在电子商务快速发展的今天有着广泛应用。然而,传统情感分析利用情感词典的方法,给予整条综合性评论单一情感极性,忽略了对多个不同角度情感的细化分析。因此,为进一步准确高效地分析综合性评论不同方面的情感,本文基于深度学习方法,构建了多通道餐饮评论细粒度情感分析模型,从优化细粒度情感分析模型和特征提取准确率两个角度展开研究。其中,情感分析模型的研究是粒度化餐饮评论情感极性,采用多通道方式提高各粒度情感分析的准确率,进而有针对性的挖掘综合性评论中的潜在价值;优化特征提取的研究是改进Bert预训练模型,构建餐饮评论词向量表,引入开源知识图谱,提高对隐式特征的抽取效果。本文主要工作:（1）构建了Bert-BiSRU-Att单通道餐饮评论细粒度情感分析模型。针对多粒度多极性的多维度情感分析问题,本文提出了Bert-BiSRU-Att模型,将Bert预训练模型获得的动态词向量输入到单通道BiSRU-Att中,从而获得丰富的语义信息。为下阶段优化情感分析模型创造基础。（2）构建了Bert-BiSRU-Att-Text CNN多通道餐饮评论细粒度情感分析模型。改变单通道模型输入方式,将词句向量以三通道形式分别输入到BiSRUAtt、Text CNN和句向量通道中,保留各通道提取到的特征信息、主题词与情感词之间的语义关系,最后输出13个粒度的情感极性。实验结果表明,本文所提出的多通道模型较其他模型在细粒度情感分析准确率方面有明显提升。（3）构建了KW-Bert-BiSRU-Att-Text CNN多通道餐饮评论细粒度情感分析模型。为进一步提高情感分析的准确率,首先优化了预训练模型,引入带有开源知识图谱的预训练模型K-Bert,标注特殊词汇增加额外特征信息,再基于餐饮评论词向量表,借助kd-tree对词向量进行相似度检验,从而高效识别特殊领域的词汇,丰富下游情感分析模型的语义和语法信息;然后将改进后的预训练模型与多通道情感分析模型共同应用于餐饮评论数据集中,从而进一步提高情感分析的准确率;最后通过对比实验,验证本文提出的KW-Bert-BiSRU-AttText CNN模型的有效性。