在互联网技术蓬勃发展的大环境下,电商平台的不断完善,推动着选择网上购买服装的群体数量逐年增加,同时也产生了大批量的服装评论文本。评论文本表达了消费者对购买商品的主观情感倾向,有效地分析这些服装评论,不仅有助于商家提高产品质量,改善服务水平,还有助于消费者进行购买决策。如何快速有效的从海量的评论文本中挖掘出消费者对于商品及其属性相关方面持有的观点成为了情感分析领域的热点问题。传统的文本情感分析主要是针对篇章和句子进行情感倾向判断,但是随着市场竞争的日益增强,这样传统的粗粒度情感分析方法难以有效获取消费者日益突出的个性化需求。细粒度情感分析旨在获取商品各个属性方面的情感倾向信息,对于帮助商家和消费者更好的了解商品的信息,具有重要的应用价值,越来越受到研究者的关注。但是,目前已有的细粒度情感分析研究成果,大多数是关于电子产品、汽车、餐厅等,由于没有公开整理好的服装评论数据,对服装领域评论的细粒度情感分析研究较少。此外,细粒度情感分析目前仍然存在着许多困难和挑战,比如评论文本中评价词缺少对应的评价对象（实体或属性）、中文的一词多义等。本文针对服装评论的细粒度情感分析中的语料库构建、属性提取、属性情感极性判断以及隐式属性识别任务进行研究,所做的主要工作如下:首先,针对细粒度情感分析研究中缺乏服装评论数据集的这个基本问题,本文收集了“天猫”电商平台上某服装品牌的12983条服装评论,对评论进行去重、去除换行符和删除无效评论等一系列预处理操作后,整理出了9640条有效评论。并针对细粒度情感分析中的不同任务采用了不同的标注方案进行数据标注,构建了用于细粒度情感分析的服装评论语料库。提出的标注方案以字为单位进行标注,有效回避了自然语言处理中的分词不准确问题。其次,针对细粒度情感分析中的属性提取和属性情感分类任务,提出了一种基于联合标注方案的联合模型TE-Bi GRU-CRF。该模型由Transformer编码器、Bi GRU网络和CRF构成,充分利用了Transformer编码器强大的字间关系捕获能力和Bi GRU网络的上下文特征提取能力并通过CRF学习标签约束,获得最优标签序列。Transformer编码器弥补了Bi GRU网络不能进行并行计算以及难以处理长序列句子的不足,有效改善模型的预测效果。实验结果表明,本文设计的TEBi GRU-CRF模型与传统的Bi GRU-CRF模型和TE-CRF模型相比,F1值分别提高了1.12%和6.3%,证明了模型的可行性和有效性。另外,本方法采用联合的标注方案以一种端到端的方式解决了细粒度情感分析中的属性提取及其情感分类问题,具有更高的实际应用价值。最后,本文提出一种针对在线服装商品评论隐式属性识别Bi GRU-IC-CRF方法,用于从没有明确的商品属性名的在线服装评论中识别出商品属性名和评价词集合及其内部对应关系。该模型在Bi GRU-CRF的基础上,引入IC模块,模块主要基于门控机制来维持同一组评价词对应评价对象的一致性,识别效果得到进一步提高。在自建的数据集上与Bi GRU、Bi GRU-CRF等方法进行对比实验。结果表明,本方法具有更高的识别率,F1值达到了85.48%,相对于Bi GRU、Bi GRU-IC以及Bi GRU-CRF方法的F1值分别提高了4.15%、3.98%、1.16%。本方法不仅适用于服装评论中的隐式属性识别,也有助于其它领域商品评论的隐式属性识别。