属性级情感分类作为情感分类任务中一项不可缺少并且更细粒度的任务,旨在对输入句子中的每个属性的情感极性（正向情感、负向情感、一般情感）进行自动预测。在属性级情感分类任务中,为了获得每个上下文词在特定语境上的重要程度,主流模型通常会在神经网络中加入注意力机制。然而,这种注意力机制往往只关注少数具有情感极性的高频词,忽略了许多低频的重要单词。另一方面,由于属性级情感分类任务的语料较少,也大大增加了神经网络的训练难度。针对以上问题,本文提出了以下两个新的模型:1.提出了一种融入渐进式自监督注意力学习的属性级情感分类模型。具体地,在每次迭代中,针对每个实例,根据上下文词的注意力权重找出对情感预测影响最大的上下文词,然后将其提取为对实例的正确/错误预测具有积极/误导影响的上下文词。为了利用它们来改进属性级情感分类模型,本文在传统训练目标的基础上增加了一个正则化项,该正则化项鼓励模型不仅同等地考虑对模型预测有积极影响的上下文词,而且降低了那些误导性词的权重。2.基于大规模文本语料库预训练的语言模型BERT的属性级情感分类模型。预训练模型BERT能够帮助缓解分类模型语料不足的问题。在此基础上,本文还提出了一种基于梯度的上下文词显著性度量方法,用于基于BERT的分类模型中识别出重要的上下文词。本文将这两种方法与目前广泛使用的属性级情感分类对比模型进行了比较,并通过实验分析验证了所提方法的有效性。