方面级情感分析（Aspect-based Sentiment Analysis,ABSA）,是实现一个句子中给定方面词的情感极性分类,常见的为情感三分类（即积极、消极和中立）。其在外卖评价、社交舆情分析、网购推荐、金融行情等领域中的应用屡见不鲜。在信息爆炸的今天,ABSA无疑拥有更广泛的应用场景和更广大的需求人群,具有重要研究价值和意义,因而在近年来被广泛关注。相关研究工作通常只关注方面词和句子序列的交互学习,得到句子语义信息的特征表示,缺乏对语法层面信息的使用。此外这些模型往往缺乏可解释性,并且没有考虑到不同的情感极性错误分类情况应给予不同的训练损失值。另一方面,将依存树信息中的依存关系用于方面级情感分类任务中,虽然可以提升模型的分类效果,但依存树本身存在噪声和数据集中的句子不符合句法结构两种情况,限制了模型分类效果的提升。对于以上问题,本人研究生期间进行了如下两项工作:（1）提出了一种将依存树信息作为辅助信息且具有一定可解释性的方面级情感分类模型,即结合语法信息的双向门控卷积模型（DT-BG-CNN）。使用词性信息帮助模型得到正确的词义表示,缓解模型由于英语单词中一词多义导致词义特征表示错误的情况。并用句法树中的依存类型信息辅助模型捕获句子中特定方面词的意见术语。提出增强损失函数用于模型的训练。在三个经典数据集上进行实验,验证了该模型和增强损失函数的有效性。与当前的一些预训练语言模型进行对比,结果表明该模型在得到单词词义正确表达方面的有效性。分别做了模型可解释性、句法依存类型信息作为权重的有效性、增强损失函数参数取值对模型训练效果的影响、模型的复杂度四个扩充实验。（2）考虑到依存关系的噪声问题和泛化性差问题,提出了注意力和依存关系交互学习模型（A-DT-ML）。一方面对依存树信息中存在噪声的依存关系图进行不信任处理,即对依存关系图进行了平滑处理,并使用图卷积神经网络获取了具有全局句法结构信息的上下文特征表示。另一方面对缺乏句法结构信息的数据集使用注意力机制替代依存关系图学习不同单词间的依存特征。两种特征根据依存关系可信度进行选择性结合用于分类。使用平滑惩罚损失函数进行模型的训练学习。在三个经典数据集上的实验结果表明,该模型的分类结果明显高于基线模型。通过三项消融实验结果,表明了模型中三项处理对模型分类效果起积极影响。另外做了四个扩充实验,对模型进行了进一步分析。