随着互联网技术的蓬勃发展,线上购物普及,顾客在电商平台上对产品的评论数量不断飙升。通过分析在线用户评论,提取产品属性和挖掘用户对产品属性的情感偏好对于进一步改善产品的功能、质量和提升用户的满意度,支撑产品的设计过程以及为设计者对于产品设计决策的制定提供了重要的依据。本论文提出一种基于产品属性特征加权（Product Attribute Feature Weighting,PAFW）的方法来进行产品评论属性提取和情感偏好智能分析,以提高产品的设计质量,缩短产品的研发设计周期,降低设计成本,改善用户的用户体验和提高用户满意度和产品市场竞争力。本论文提出基于产品属性特征加权（PAFW）的研究和分析方法,包含了如下几个方面的内容:首先,提出基于词频逆文档频率-卡诺（TFIDF-Kano,TIK）模型,来对产品属性关键词的自动识别和提取;然后,对双向长短时记忆条件随机域模型（Bi-LSTM-CRF）的改进,使用改进后的深度学习模型（TIK-PAFW）与多种深度学习模型进行产品属性提取的对比实验和结果分析;最后,基于提出的PAFW方法,对多种深度学习模型引入权重化方法（CTI）与原有的模型进行产品评论情感分析的对比实验和结果分析。本文主要研究内容如下:1.针对传统的手动或半自动文本关键词提取时,人工成本高、提取效率低等问题,本文提出一种基于TIK模型的产品属性相关关键词自动提取方法。首先,通过词频逆文档频率方法中的词频统计,计算文档中的频率较高的词语;再把文档分为多个子文档,计算逆文档频率的值,可以避免通用词对关键词造成的影响,再每个词的词频逆文档频率值。然后,使用卡诺模型对关键词进行产品属性相关性分析,筛选产品属性关键词。最后,通过实验验证,关键词提取的TIK模型是有创新性的探索和方法,可以精确、高效的实现关键词的自动提取。2.针对目前人工分析产品评论来提取文本中重要信息的低效率和高成本问题,本文提出基于PAFW方法,结合产品属性提取的TIK模型对Bi-LSTM-CRF模型进行改进,构建了加权长短记忆神经网络（TIK-PAFW）模型,并和HMM、CRF、LSTM、Bi-LSTM进行对比实验,验证了改进后的TIK-PAFW模型在以手机为例的自建电商评论数据集上有较高的产品属性关键词提取准确率、召回率和F1。构建的加权长短记忆神经网络模型的准确率为93.89%,召回率为94.52%,F1为94.60%,在几种模型中达到最高。最后,通过实验结果,得出基于PAFW实验方法构建的TIK-PAFW模型对产品属性关键词的提取有较高的提取准确率、召回率和F1得分,验证了基于PAFW方法的有效性。3.针对传统的基于情感词典进行文本情感分析的复杂过程和建立情感字典的高难度等问题,本文提出基于PAFW的深度学习方法构建加权神经网络模型来对产品评论进行情感偏好分析。首先,设计产品属性情感分析的流程,提出一种特征选择和特征加权（CTI）的权重化模型,构建了CTI-CNN、CTI-LSTM、CTI-Bi-LSTM模型与已有的三种模型在自建的产品语料库进行对比实验,实现产品属性情感偏好分析。然后,通过对比验证实验,得出基于CTI模型在提取准确率上高于传统深度学习模型,多种深度学习模型最低都能达到96.99%的准确率,而改进的CTI-Bi-LSTM模型提取准确率到达98.08%,损失值也收敛到0.0734。最后,说明了本文提出的基于PAFW的深度学习的方法具有较强的产品评论情感分析性能。