情感分析是自然语言处理中的一项重要任务,其通过挖掘用户的评论文本,获取用户的情感观点倾向,具有巨大的实际应用价值。根据分析对象的粒度不同,情感分析可分为文章情感分析,句子情感分析和方面情感分析。其中,方面情感分析最为特殊,该任务需要针对评论文本中的不同情感表达对象给出其对应的情感极性。这种指向性的情感分析任务相较于其他两种任务具有更大的价值,近年来受到越来越多研究者的关注。深度学习作为一种强大的机器学习模型,已逐渐成为方面情感分析研究的主流方法。尤其是使用注意力机制的注意力网络在近些年的研究中已取得了非常好的效果。但现有模型存在没有充分利用目标文本信息等问题。由于情感分析任务一直被认为是种特殊的文本分类任务,一些研究者在进行注意力计算时,把评论文本作为整体计算注意力,但是却忽略了目标文本的重要性。一些工作虽然将目标作为独立信息考虑,但是没有计算目标级上的注意力。词向量中缺少情感信息也影响了模型分类准确性。针对以上问题,本文围绕注意力网络,利用目标信息和上下文信息,对方面情感分析进行研究。具体工作如下:1.针对目标文本利用不足的问题,我们构建了多头叠加注意力模型(multi-head attention over attention,MHAOA)。我们借鉴问答系统中的叠加注意力思想,通过综合考虑目标级和上下文级两种注意力关系,构造叠加注意力网络。但是这种注意力网络在计算注意力得分矩阵时使用的点积计算法不能充分建立目标和上下文关系,并且遗漏了文本位置信息。因此我们使用新的计算方法代替点积,并且在注意力模型中考虑了文本位置信息,同时在注意力计算时使用多头注意力思想进一步增强模型鲁棒性。由于改进后的注意力模型同时具备着叠加注意力的特点和多头注意力的特点,我们最终将其命名为多头叠加注意力。由于基础网络不同,模型的性能相差会很大,为了更准确验证MHAOA在方面情感分析的有效性和适用性,我们将该注意力模型应用在三种不同的基础网络中,并且得到了三种基于MHAOA的神经网络,分别是以词向量编码网络为基础的MHAOA-GloVe,以LSTM网络为基础的MHAOA-LSTM和以BERT网络为基础的MHAOA-BERT。然后我们在三个方面情感分析任务的公开数据集上,将三种模型用准确率和宏平均F1两个评价标准与现有其他模型进行对比实验,实验结果表明基于MHAOA的模型对比现有模型均有着有竞争力的表现。这证明了MHAOA能有效的针对情感目标匹配到对应的上下文描述,从而提升模型最终的情感分类结果。2.针对MHAOA模型中输入词向量不具备情感信息的问题,我们构建了情感词向量。在对MHAOA的进一步分析中,我们发现作为输入的词向量因为缺少情感信息,影响了模型的情感分析性能。为了进一步完善本文模型,我们将情感知识库的常识信息作为一种先验知识融入到分布式词向量中,生成具有情感信息的情感词向量作为输入,并在MHAOA-GloVe、MHAOA-LSTM两个模型上与原始分布式词向量进行对比实验。实验结果证明情感词向量有助于模型取得更好的情感分类结果。