随着电子商务的不断发展,网上订餐越来越普及,消费者在各种外卖平台上订餐或者在店里消费后,可以将对商家的评论发表到网站上,这些评论的细粒度情感分析对于挖掘用户情感、促进企业营销等具有重要的价值,如何充分挖掘、高效利用这些用户评论信息显得十分重要。传统机器学习技术对用户评论文本的特征提取能力有限,不足以应对其复杂的语句结构,需要使用更优秀的模型提高其分类性能。本文主要基于深度学习技术,对用户评论文本进行细粒度情感分析研究,完成的相关工作内容如下:1.对文本数据进行预处理,解决数据集类别分布不均衡问题,将文本向量化表示。在中文分词阶段,基于Jieba分词工具,利用扩充词库、合并单词等方法提高分词准确率,基于谷歌开源工具Word2Vec,采用字词向量联合表示的方法构建文本词向量。实验表明,该方法优于单独基于分词和字符的方法,生成的特征向量可以更好地表示文本信息。2.研究了文本情感分类任务中Text RNN模型的原理及结构,并提出基于注意力机制的改进Text RNN情感分析模型:ATT-Text RNN,该模型引入改进的多级Attention机制,针对文字级Attention和句子级Attention进行特征提取,使用GRU门控循环单元代替LSTM,减少模型参数,在嵌入层将文本转化为向量表示后,通过Bi GRU网络进行特征筛选,融合Attention层和池化层特征向量,输入分类器中得到模型分类结果。实验结果表明,本文改进模型有效提升了文本细粒度情感极性分类的性能,对评论文本的情感倾向预测有一定的参考价值。3.完成改进Text RNN模型的训练与分析,对模型参数设置很多对比实验,如词向量维度、epoch次数等,提高模型分类的效果以及在大型语料库中的训练速度,采用预训练词向量,使模型能够快速收敛,利用Dropout技术和L2正则化方法等防止过拟合。通过ATT-Text RNN模型与Text RNN模型、Text CNN模型的对比实验,表明该算法在文本情感分析上具有更好的分类性能,并且本文改进模型能够明显提高文本的情感分析效果,F1值达到了71.1%。4.基于linux平台设计了一个高效准确的评论文本细粒度情感分析系统,该系统使用Tkinter开发用户界面,对文本数据进行预处理后,利用本文改进的情感分析模型对评论文本进行细粒度情感判别。通过实验表明,本系统可以有效地预测用户评论文本各个细粒度要素的情感极性,对餐厅领域的评论文本情感分析具有现实意义。