细粒度情感分析是挖掘文本中某个特定属性的情感倾向,因此在电商评论、社交网络和舆情分析等领域有着重要的应用。如对电商评论实现细粒度情感分析,便可以了解客户对产品某个属性情感倾向,从而根据客户的态度对产品和销售策略进行相应的调整。并且细粒度情感分析这种基础的任务在系统推荐等任务中上有着极其重要的作用,因此对文本进行细粒度情感分析研究有着重大的意义。本文的研究成果主要如下:1、提出了一种基于多层注意力机制Bi GRU细粒度情感分析的模型。采用Word2Vec工具训练的预训练模型的特征向量作为模型的输入,使用双层Bi GRU模型对输入的文本向量进行编码处理,来获取更多的文本序列潜在信息。使用双层注意力机制自动对文本序列中的重要的局部信息进行自动赋予权重,提升模型对句子中有效信息的利用率,同时可以减少文本中无效信息和噪声数据错误的影响。通过实验验证,与其他相关深度学习模型进行对比分析,表明利用多层注意力机制层更能挖掘句子中的有效信息。2、由于卷积神经网络可以获取文本局部特征,本文将基于多层注意力机制Bi GRU结合卷积神经网络模型得到新的细粒度情感分析模型。通过实验表明,可以有效提高模型在各个维度F1值上的表现。3、在自然语言处理中编码层通常由一层双向循环神经网络模型构建。为使模型在编码层能够获得更为丰富的潜藏特征,本文通过残差思想搭建了两层双向循环神经网络的编码层。即最终本文模型的编码层由两层双向的GRU模型搭建,其中编码层中的第二层的双向GRU输入是上层的输出和文本输入组成的,这种类残差结构使得编码层可充分表示语义。之后在解码段使用两层双向GRU得到全局信息,多层注意力机制和多粒度卷积核的CNN来得到重要的局部特征,二者结合实现充分解码。最后通过全链接层进行分类。通过实验验证,本文模型的F1值可达到70.01%,相较于同类型的深度神经网络模型在F1和准确性上都有较大提升。