随着电子商务的发展和社交平台的广泛应用,以社交网络平台为载体的社交电商成为人们购物的新渠道。社交平台的用户使用量逐年递增,社交电商的潜在用户数量也随之递增。由此,社交电商产生的商品评论数据量越来越庞大,这些数据为用户提供了许多参考价值。但是,人们很难从庞大的数据量中找到需要的信息,直观的分析商品的优劣。因此,分析与挖掘社交电商中商品评论信息的情感倾向对研究商品口碑、进行商品推荐具有重要意义。通过阅读大量国内外有关商品评论情感分析领域的文献,发现主流电商评论情感分析技术是基于文本的情感分析,然而社交电商评论的数据形式与传统电商评论不同,社交电商评论数据中数据的表现形式除了文本评论,还有大量文本与表情图片共同出现的跨媒体数据,且该部分数据占比很大,文本情感分析技术不适用于跨媒体数据的情感分析。针对社交电商评论数据的多模态性,采用了跨媒体数据融合的方法,对社交电商评论情感极性进行分析,融合表情图片的情感特征,可以弥补文本数据稀疏的问题,提高情感分析的准确率。针对社交电商评论的跨媒体数据融合的方法,主要有基于决策层融合和基于特征层融合。在现有的研究基础上,引入了基于典型相关分析(CCA)的方法对抽取的文本和表情图片的特征向量进行融合。同时,引入基于高斯基函数的小脑模型神经网络(CMAC)作为融合特征的分类器,CCA模型融合的特征向量作为CMAC分类器的训练样本,调整模型参数,构建适用于文本与表情图片信息情感分析的分类器。这一模型与传统的文本情感分析模型相比,提高了社交电商评论情感分析的准确率。与其他的融合模型相比,本文使用的基于CCA-CMAC模型可以获得更好的准确率,实验结果表明该方法在情感分类的准确率与召回率都具有良好的性能。