随着网上购物规模的不断扩大,对商品评论信息进行情感分析不仅可以指导消费者做出更好的购买决策,还能帮助商家了解商品的优劣势,从而调整店铺的营销策略,对买卖双方都具有重要的现实意义。本文主要从三个方面对商品评论文本进行研究,方面提取(Aspect extraction)研究、中文词向量模型研究和方面情感分类(Aspect sentiment classification)研究,主要创新成果如下:(1)提出两种特征选择方法和基于层次关系的复杂方面短语提取算法。为了解决中文商品评论缺少合适的领域词典,而且存在多个词语组成的复杂方面短语等问题,本文首先使用HowNet词典,通过计算方面语义相似度和相关度作为方面提取的语义特征。然后为不同种类的商品构建具有层次关系的特征本体和特征情感词集,结合句法依存关系作为句法依存特征,用于方面提取。另外,通过收集和整理商品评论信息,补充实验数据,用于复杂方面短语提取。在方面提取实验中,四种商品评论的平均准确率、召回率和F值分别提高3%、3.7%和3.5%。在复杂方面短语提取的实验中,精确评价和覆盖评价准确率也取得较好表现。(2)提出结合注意机制改进的 RECWE(Radical Enhanced Chinese Word Embedding)模型。为了解决RECWE模型没有利用上下文词语贡献度不同、各词语中汉字及其偏旁部首和组件的贡献度不同的问题,将模型的两个预测模型引入不同类型的注意力机制。实验结果表明,改进的RECWE模型与原模型相比,在相似度任务上,两份评测文件的成绩分别提高2.89%和1.04%;在类比任务上,三个主题的平均成绩提高2.07%。(3)提出改进的 ASGCN(Aspect-specific Graph Convolutional Network)模型。商品评论文本存在语句长短不一的情况,利用双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)对长度较长的语句进行学习会丢弃与方面(Aspect)相关的语义信息,而且不同种类的商品评论具有不同的领域特性。为此,提出改进的ASGCN模型。利用基于主题分布DI LDA模型进行文本分析,得到不同领域下的词语分布,补充词向量的语义信息。再利用上下文向量,结合注意力机制对方面词语进行权重划分。实验结果表明,与基准模型相比,情感分类的准确率在四种商品数据集上均有提高。