随着社会化商务的发展,人们在电商平台购物后通常会分享一些购物评论。这些评论包含着消费者对商品的观点、态度和情感,能够对其他消费者购买决策产生重要影响,也是生产者和商家获取用户需求、改进产品设计或销售策略的重要依据。论文使用深度学习的方法,利用大规模评论数据进行细粒度情感分析获取用户痛点,旨在帮助商家寻找用户需求达到精准营销的目的。为获取细粒度情感研究用户痛点,论文使用了两种属性级情感分析方法,以期更加全面获取用户痛点。两种方法的主要研究内容如下:第一种方法,使用联合抽取的属性级情感分析方法进行用户痛点研究。将商品卖点定义为属性级情感分析中的属性类,利用预训练模型Bert对句子和属性词进行词嵌入特征提取,同时使用共享层获取属性词和句子的交互信息,改善了以往通过记忆网络在评价对象分类时只关注单一语义,忽略句子序列间语义关系的问题。在Sem Eval 2014的Laptop和Restaurant上进行实验,模型准确率分别达到了80.25%和84.82%。并且使用哈工大Sem Eval 2016的中文相机评论数据进行训练,验证微调模型在中文数据集上的效果。最后利用情感分析结果量化用户满意度,研究用户痛点与商品卖点的关系。第二种方法,使用分步式流水线的属性级情感分析方法进行用户痛点研究。首先通过句子结构和词间关系提取特征词对,然后使用融合特征词对的预训练模型对句子进行情感分析,最后将特征属性和情感分析结果结合量化用户痛点。该方法弥补了联合抽取方法效率低的问题。在京东在线评论上进行实验,实现结果表明情感分析的准确率和F1值达到95.33%和95.23%,使用平板电脑的评论数据进行用户痛点分析,结果表明该方法能够有效获取用户痛点。综上,本文为了分析用户痛点使用了两种属性级情感分析方法。联合提取的方法是当前属性级情感分析研究的热点,提高了属性级情感分析的准确率,但是模型训练难度大、训练时间长。为了提高用户痛点研究的效率,研究同时使用了分步式流水线方法进行用户痛点的研究。最后利用情感分析的结果量化用户痛点,帮助商家精准营销。