近年来,随着自然语言处理技术的快速发展,用户情感分析已经成为这一领域重点的研究课题之一,在产品评价、产品设计、质量监控、舆情分析、信息预测等方面发挥了越来越重要的作用。基于卷积循环神经网络的深度学习方法作为一种新兴的自然语言处理技术,在机器翻译、文本分类、语言识别和文本生成等众多领域得到了广泛应用。而利用卷积循环神经网络对商品评论文本进行情感分析已经成为情感分析领域非常活跃的话题。目前,基于卷积循环神经网络的评论文本情感分析模型针对结构不规范、稀疏、主题不明确的商品评论进行情感分类时,存在每个词对应的词向量受限于单一词向量训练模型导致忽视文本关键词的问题,同时存在传统词向量只是基于词语的上下文信息计算向量值导致不能全面理解短文本语义的问题。因此,本文根据评论短文本的结构特征,借鉴注意力词向量、BERT预训练模型和卷积循环神经网络的设计思想,对商品评论情感分类问题展开研究。1.基于注意力词向量网络的评论文本情感分析方法为了使评论文本中的关键信息更容易被获取,提高评论文本情感分类精度,针对每个词对应的词向量受限于单一词向量训练模型导致忽视文本关键词的问题,提出一种基于注意力词向量的在线评论文本情感分析方法。该方法通过结合注意力机制的AC-GRU网络。该网络可以将爬取的用户评论文本转化为词向量引入注意力机制作为输入,然后经过卷积和池化,再通过GRU网络对评论进行情感分类。在自建商品评论数据集和公开数据集进行的相关实验表明,本文算法可以提高评论文本关键信息的获取能力,进而提升评论文本情感分类的精度。2.结合分布式爬虫与BERT的评论文本情感分析方法为及时获取网站商品评论数据,并且让词向量可以得到更加丰富的句子语义信息特征,提出一种结合分布式爬虫与BERT模型的评论文本情感分析方法。针对单机爬虫速度较慢的问题,采用基于Scrapy框架的分布式爬虫模型以及布隆过滤器的去重策略对购物网站商品评论进行爬取和存储。针对传统词向量只是基于词语的上下文信息计算向量值导致不能全面理解短文本语义的问题,提出结合BERT预训练模型的BERT-C-GRU网络。该网络使用BERT模型抽取评论文本语义表示向量,通过CNN和GRU网络抽取评论文本的局部特征再对评论文本进行情感分类。本文所提算法在自建用户评论数据集进行了实验,实验结果表明,该算法可以提高文本转化为词向量的特征表示能力,从而可以完整的表示出用户评论的语义,提高情感分类的精度。