随着互联网和社交网络服务的迅猛发展,每天都有大量的文本信息在各个平台发布。这些海量的文本数据刺激了企业、政府对文本分析的需求,也为机器学习的发展提供了充足的动力,促进了自然语言处理领域的蓬勃发展。情感分析是自然语言处理领域的热门研究领域,而属性级情感分析则是情感分析中非常具有挑战性的研究问题。它具有广泛应用场景,例如电商平台用属性级情感分析从产品的评论中自动抽取消费者对产品不同方面的评价;政府舆论监管部门用属性级情感分析从微博、贴吧等网络社区自动梳理出大众对社会事件的态度;金融公司通过金融社区的讨论自动提取出散户对某只股票价格未来走势的预测。属性级情感分析颇具难度,它又可分为多个子任务,其中属性级情感分类受极大关注。预训练语言模型的快速发展使得自然语言处理领域的各个方向都取得了突破性的进展,图卷积神经网络在自然语言处理领域的应用也逐渐增多。本文基于BERT语言模型和图卷积神经网络提出一种用于解决属性级情感分类的模型BERT4GCN。本文的研究工作包括:（1）本文提出一种同时利用BERT和依存句法树两种语法信息来源的模型框架BERT4GCN。模型使用BERT的中间层隐藏状态引入多种类型的语法信息,与基于依存句法树的多层GCN相结合,同时考虑了文本的序列特征和树结构的语法特征;除此之外,BERT4GCN模型根据BERT中自注意力机制的注意力权重动态调整依存句法树的边。一方面,这种动态调整使调整后的图不局限于语言学家对语法树的定义,而使其更适用于属性级情感分类任务。另一方面这种动态调整可以一定程度上修正依存句法分析器的错误;最后,本文提出一种将词与词间的相对位置信息引入到图卷积神经网络中的方法,用以解决图卷积神经网络应用于文本数据（序列数据）时忽略文本中词与词间相对位置信息的问题。属性级情感分类问题是非常具有挑战性的语义理解问题,在数据集较小、无法学习通用语法知识的情况下,外部语法知识可以很好提升模型的效果。本文提出的BERT4GCN在不使用额外数据的情况下通过同时使用基于依存句法树的图卷积神经网络和BERT引入了多种类型语法信息,帮助模型更好地理解输入文本。（2）针对本文提出的BERT4GCN模型,我们在Twitter、Sem Eval 2014 Task4 Restaurant和Laptop三个英文数据集上进行了实验,并与多个前沿的属性级情感分类模型进行比较,通过对比实验结果,验证了我们的方法的有效性和优越性。