随着互联网的快速发展,全球商业竞争环境也在不断地变化。利用互联网技术进行客户评价的收集整理已经成为各个企业的必修课。此外,随着深度学习的不断推陈出新,利用神经网络自动化分析客户评价成为提升企业效率的重要途径。但粗粒度的将整个评价文本进行情感分类还远远不够,对评价文本具体内容的细粒度情感分类才能够真正的帮助相关人员大幅提升工作效率。这就需要用到文本情感分类中一项更为细分的子任务,即对象级情感分析。基于以上背景,本文主要完成以下几项工作。首先研究与设计了一种新的对象级情感分析模型。对象级情感分析又称方面级情感分析,主要目标是识别输入文本针对某个情感对象的情感倾向,包含方面类别情感分析和方面词语情感分析两个子任务。针对这个任务,本文按照可并行计算的设计思路,减少模型内部特征间的先后依赖关系,使用多个CNN卷积神经网络结合自注意力机制和门控机制,加强句子内部特征的学习,建立了一种名为SGCNN的新模型,并在多个数据集上进行实验,验证了模型的在精准度上的可靠性以及并行化设计带来的快捷性。其次提出了一种以多重CNN和注意力机制为基础的情感对象抽取模型。由于对象级情感分析模型需要已标注好的情感对象,因此仅有对象级情感分析模型仍然不足以形成可应用的端到端系统。本文使用可并行计算的设计,构建了名为Attention-MCNN的基于多重CNN与缩放点积注意力机制的情感对象抽取模型,该模型仅需通用词向量和已标注语料作为输入。通过在多个数据集上测试其效果,证明其相比以往研究成果在保证准确率的同时节省了额外的数据收集工作。最后,本文借助React.js,Spring等开发工具,结合对象级情感分析模型和情感对象抽取模型,设计与实现了一个在线的客户评价情感分析原型系统。该系统能够提供细粒度的用户评价分析结果,帮助使用者快速了解客户评价状况,快速定位问题并解决。系统采取端到端的形式,算法分析过程无需其他人工介入,实现一站式服务,疏通对象级情感分析算法的应用壁垒。