随着互联网行业和电子商务平台在国内的迅猛发展,以大众点评为代表的第三方点评网站成为了用户在网络上发布反馈信息的集中地。这些评论信息涉及商家属性的情感倾向,一方面可以使消费者通过评论了解商家,选择符合要求的商家进行消费;另一方面可以使商家获取消费者的反馈,及时找到存在的问题,做出相应的优化改善,提高自身的竞争力,制定相应的营销策略来吸引消费者。然而目传统的情感分析只将文本信息包含的情感倾向分为正向和负向。消费者在这种粗粒度的划分结果中难以精准的获取到需要的信息。因此,本文针对在线评论的细粒度情感分析进行了较深入的研究,提出了一种基于Bert:Bidirectional Encoder Representation from Transformers模型和Liblinear:A Library for Large Linear Classification模型相融合的多类别分类方法(简称B-liblinear模型)。该方法利用Bert模型在数据预处理方面的突破性进展对训练文本集进行预处理,获取文本特征,与情感类别标签数据结合,将非结构化的文本数据转化成结构化的训练集合,作为Liblinear模型的标准输入数据,进行分类模型的构建。而Liblinear采用一对多的分类机制,有效的解决了海量数据在多分类任务中的重度数据不平衡问题。本文的主要工作和创新点如下:(1)本文基于Bert模型的特征提取方法,利用Bert模型在多分类任务上的应用,对Bert模型进行微调,将Bert模型的输出,经过CNN进一步提取局部特征,作为下游多分类任务层次softmax的输入。利用该机制可以双向传播的特性,训练模型,更新参数,提取出Bert模型的倒数第二层的特征作为文本特征,用于下游多分类任务,并通过实验证明该方法提取的文本特征的有效性。(2)本文构建细粒度情感分析模型B-liblinear,主要将基于Bert模型的特征提取方法与Liblinear多分类模型相结合,能够在相对较短时间内处理大规模数据的多类别分类问题。并通过试验结果与几种经典的多分类方法以及几种经典的分类模型进行对比。实验结果表明采用B-liblinear处理文本多分类问题时,准确度更高。(3)本文基于Java语言设计并实现了基于Bert模型的细粒度情感分析系统,该系统通过处理分析大众点评美食商家模块的评论数据,呈现出商家的各个细粒度属性信息,用户可以查看商家每一属性的好中差评论的比例以及各类别的评论信息,还可以选择商家进行对比,系统以柱状图的方式直观地显示出商家的属性对比情况。