近些年,随着互联网垂直领域内容平台的不断发展壮大,大量优质的用户生成内容(UGC)也随之涌现。用户生成内容具有“零门槛”、“强互动”和“发挥流量优势”的特点,这就为内容平台的不断发展提供了源源不断的支持。为了进一步了解和满足用户的实际需求,拉近内容平台与用户间的距离,如何善用用户生成内容以发掘出有价值的信息就变得极为重要。这种实际的需求使得细粒度情感分类成为了自然语言处理领域研究的热点和重点。不同于传统情感分类关注句子或篇章整体的情感,细粒度情感分类任务关注的是一个更为具体的目标。针对细粒度情感分类的任务特点,本文主要使用了注意力机制将目标实体词与句子上下文进行关联,通过构建和使用领域情感词典以提升模型的性能和领域适用性。本文研究的内容主要包括以下方面:1.领域语料与领域情感词典构建:通过基于众包的方式分别构建了金融、手机和酒店三个领域的语料,为中文细粒度情感分类任务提供了优质的数据基础。我们还使用了融合简体繁体中文字形特征的方式生成词向量,并利用词向量构建了三种领域的情感词典。2.基于注意力机制的细粒度情感分类模型:我们分别介绍了基本的注意力模型,并通过其与基于门控神经网络的细粒度情感分类模型性能上的对比,验证注意力机制对于细粒度情感分类任务的适用性。为进一步探索注意力机制在细粒度情感分类任务上的应用潜力,我们还使用了BERT特征对模型性能进行提升。此外,我们还利用构建好的领域情感词典,对注意力分配进行引导,这提高了模型的性能和可解释性。本文的研究结果表明,基于注意力机制的模型对于细粒度情感分类具有积极意义,通过情感词典引导注意力分配的方法对三个不同领域的情感分类任务的性能都有不同程度的提高。3.基于注意力机制的细粒度情感分类系统设计与实现:利用注意力机制可解释性强,性能好的特点,我们使用web服务的形式对基于注意力机制的细粒度情感分类系统进行了实现。系统简单易用且扩展性强,一定程度上满足了实际NLP任务的生产需要。