由于互联网技术的飞速进步与完善,越来越多的消费者在线表达购物体会。准确挖掘消费者在线评论情感倾向,对于帮助消费者做出商品选择决策和改善商家服务具有重要意义,而目前的情感倾向预测模型的准确性仍需提高。商家也可以通过分析在线评论的情感倾向,了解消费者的喜好,从而合理地预测产品销量,制定营销方案。因此,如何有效地挖掘和分析在线评论的情感信息并分析其对产品销量的影响是非常有必要的。为此,本文分别从基于集成学习的情感分析,基于深度学习的情感分析及在线评论情感信息对产品销量的影响三部分展开研究,主要研究的内容如下:(1)设计基于集成学习的在线评论情感分类算法,即以N-gram算法分析在线评论词语特征,结合情感词典构造文本特征,以逻辑回归、Light GBM等机器学习方法为基础的集成学习模型进行训练,实现在线评论情感分类,集成学习模型较之单模型分类效果明显提升。实验结果显示,在电脑评论数据集,较之于经典的SVM算法和无监督类算法,该模型的分类衡量指标F1值分别提高了10%到30%不等。同时,在酒店、图书等不同领域的数据集上显示,该方法的分类准确性仍具有上述效果,证明了该方法具有良好的领域移植性。(2)针对集成学习模型依赖特征选择和单模型的运行效率问题,本文利用CNN生成的局部特征和LSTM学习的长距离依赖关系,提出构建CNN-LSTM的情感分类模型。与以往的机器学习模型相比,该模型不需要人工构建特征,而且处理数据的速度快,处理的数据量规模大。不仅可以像卷积神经网络一样刻画局部空间特征,而且可以像长短时记忆神经网络一样建立时序关系,在酒店数据集加权F1值可以达到94%。同时,实验结果表明该方法具有较好的领域可拓展性。(3)设计销量预测模型,利用单条在线评论语句的情感倾向,通过计算情感指数量化阶段时间范围内的整体情感倾向,在此基础上验证了情感指数与酒店销量之间的关系。利用情感指数和前期产品销量作为输入特征,构建基于BLSTM的产品销量预测模型,从而实现考虑消费者情感的产品销量预测。实验结果表明,基于BLSTM的销量预测模型能准确预测产品销量,衡量模型预测效果的评价指标MAPE较之传统的SARIMA、ARIMA、ARMA预测模型分别降低了0.54、0.55和1.27。综上所述,本文研究丰富了在线评论情感分析的方法与理论,有助于产品的销量预测,对消费者和商家均具有较强的实践价值。