文本情感分析是自然语言处理领域中的一个重要研究方向,在产品调研、网络舆情发现和社会热点分析等诸多领域有着广泛的应用价值。基于方面的情感分析是细粒度的情感分析任务,通过对文本描述的方面进行细粒度化的分析归纳来获取深层次的情感特征。近年来深度学习模型在自然语言处理领域表现出了独特的优势,能够处理海量文本数据并自动化捕捉深层次的语义特征,被广泛应用于各类下游任务中。在情感分析领域,通过搭建合适的深度学习模型挖掘文本的更深层次的信息已经成为了提升分析效果的重要途径。本文在深度学习模型的基础上,针对基于方面的情感分析的子任务:方面识别任务和方面情感分析任务,分别提出了高效的深度学习模型。首先,通过对标注语料的分析研究发现文本中存在对方面的识别具有很强导向性的关键性单词,但现阶段的模型由于较小的数据集规模和数据的稀疏难以充分学习到关键单词与方面间的对应关系。基于此,本文提出了基于对齐特征和Bi LSTM的方面识别模型。模型先使用具有双向网络结构的Bi LSTM捕捉文本的双向语义信息,同时根据文本关键单词对方面识别导向性的特点进行数据重写,与原文本构成双语平行语料,再引入机器翻译中的对齐算法将平行语料作为输入,提取单词-方面间的双向对齐概率作为对齐特征,最后在Bi LSTM隐藏层最后一个隐状态处与对齐特征拼接后进行方面识别。实验结果表明,本文提出的模型在不同数据集上的表现超过了基线模型,改进之处能够有效提升方面识别任务的效果。其次,针对方面情感分析任务中文本包含多个方面信息的场景,现有研究大多依赖LSTM捕捉时序特征的能力对方面间关联性建模,但方面和情感信息在文本中出现的次数和位置具有偶然性,多个方面间通常会相互影响,且方面间不具有规律的时序特征,导致单LSTM并不适用于方面情感分析任务。基于此,本文提出一种融合多方面注意力机制的方面情感分析模型。该模型结合预训练语言模型BERT和Bi LSTM搭建了BERT-Bi LSTM文本编码模块,在编码层构建了多个平行的编码模块将目标方面与邻近方面下的文本同时编码,利用注意力机制对方面间的关联性建模,以目标方面下的文本表示为集成中心,使用注意力权重作为方面权重融合所有邻近方面的信息,生成具有多方面感知能力的情感分类特征向量进行预测。实验结果表明,本文提出的模型在不同数据集中的表现超过了所有的基线模型,改进之处能够有效提升方面情感分析的效果。