近年来,新冠疫情的爆发给人类生活方式带来了巨大的变化,其中线上学习和网络销售的用户量呈现指数式的增长,随之出现的大量文本评论常常隐藏着用户的观点和情感倾向,对这些文本评论作情感分析可以帮助政府和市场更精准分析用户意向,从而做出科学有效的决策。而传统的情感分析侧重于捕捉文本中单个实体的整体情绪,而不是捕捉该实体每个方面或特征的情感极性,使得用户对实体的看法无法被深度挖掘出来。因此提出了方面级情感分析的研究方向,该方向分析的是一个句子中特定属性的细粒度情感极性,优点是不仅能识别给定实体的各个方面,还可以捕捉到不同方面对应的情感极性。目前,大部分的方面级情感分析研究文献都利用了注意力机制和神经网络来挖掘和分析方面词的情感倾向,但是这些方法通常存在训练时间久、关键词定位不准、忽略语法结构等问题。针对目前研究方法存在的缺陷,我们基于图结构的神经网络方法,对方面级情感分析进一步研究。本文主要工作内容如下:（1）利用图注意力网络抽取句子语法依赖树中的语义关系,依据词与词之间的依赖关系,能更精准的捕捉句子中的关键词及方面词对应的情感词。首先重构以方面词为根节点的语法依赖树,并重新定义词语之间的非直接依赖关系;其次,考虑连接词和词性对句子的影响;最后,通过图注意力网络融合节点信息和节点间语法关系。模型在公开数据集上取得的效果表明,本文模型具有较高的优越性。（2）针对数据集中存在的方面词或情感词缺失问题,进一步提出利用图卷积神经网络嵌入外部情感知识图谱,以增强模型对句子的理解能力。由于图卷积神经网络会自动发射和融合邻居节点的信息,因此其非常适用于提取知识图谱中无规则的节点和边,构成带有情感信息的子图能帮助句子的情感倾向性判断。另外,在多头注意力机制中考虑了方面词的相对位置对句子情感极性分析的影响。最终的模型在经典数据集上做了多个维度的实验,证明了基于图结构网络嵌入知识图谱和语法关系的方法,对方面级情感分析有一定提升效果,也证明了图卷积神经网络和图注意力网络能很好地融合图结构的逻辑关系来理解句子情感。