在信息快速传播的互联网时代,越来越多的用户乐于在社交平台上发布自己的评论,虽然为情感分析带来强大的数据支持,但是会导致“信息过载”从而难以获取到真正所需的信息。所以从海量关系数据中分析并挖掘有用的信息,在此基础上进行准确的情感预测是情感分析领域研究的热点。当前的情感分析方法大多注重文本信息并且其方法取得了较大的成效,但是它们在提取用户的潜在情感方面显得尤为不足。对无文本信息或者使用反讽文本的用户,这些方法往往无法提取其有效情感信息。一些研究证明使用除文本外的附加信息可以有效地解决冷启动问题,利用用户的属性信息和社交关系寻找相似用户,考虑其情感也具有相似性。但是该类方法更多地关注同一话题下用户的态度,无法区分用户对于不同话题的不同情感。此外,大多数社交网络情感分析的方法将社交网络上的关系单一地认为是积极的、同构的,忽略了关系的消极性和异构性,从而导致情感传播的过程中出现偏差。事实上,情感的影响因素是非常复杂的,是多关系共同影响的结果,需要进行深入挖掘其中的隐藏关系,并且进行有效融合才能准确预测用户对话题的情感。针对以上问题,本文提出了两种不同实体关系的预测方法和一种基于两层感知注意力网络嵌入的情感预测模型。本文的主要工作分为以下三部分:（1）本文对社交网络上的信息进行深入挖掘,分析并挖掘用户行为信息中情感逆转所隐含的用户关系,提出基于情感逆转的用户关系预测模型。此外本文提出基于元路径相似度的话题关系预测模型用于挖掘话题间相关性的社交关系,话题间相关性用于捕捉用户对不同话题情感的差异性。（2）考虑社交网络中多关系对情感影响的差异性,本文采取分层融合的机制来解决关系异构性和符号性带来的影响,提出基于两层感知注意力层的图神经网络嵌入模型得到用户和话题的情感表示,首先利用节点类型感知层捕捉不同节点类型的异构性,其次利用语义路径感知层捕捉不同语义路径上的关系异构性,依据符号结构平衡理论设计正则化函数,最后通过基于节点相似度的方法进行情感预测。（3）在多个公开真实数据集上对本文提出的模型进行了实验,通过实验证明本文提出的模型均在性能上优于基线模型,同时进行消融实验和超参数实验证明本文提出特征的有效性。