互联网以及手机的普及改变了人们的生活方式,人们已经习惯通过网络平台发表自己的看法,对商品和事件表达自己的体验或意见。用户发表的评论包含巨大有价值的信息,从用户评论数据中精确挖掘他们对商品以及事件的多个方面的情感态度,能为企业改进商品、消费者选择产品、政府舆情把控等提供有利的决策支持。基于方面的情感分析近年来成为自然语言处理的热门研究方向之一,相比于传统的情感分析技术,基于方面的情感分析能更加准确地挖掘目标的情感倾向。传统的情感分析技术,主要针对文章和句子,判断文章和句子整体的情感倾向,属于粗粒度的情感判别,不能精确的把握用户的态度。基于方面的情感分析,针对的是评价对象,其目标是判断评论数据中多个评价对象的情感倾向,是细粒度的情感分类技术。近年来,结合注意力机制的循环神经网络模型在基于方面的情感分析研究中取得了显著的成果。循环神经网络模型对评论文本这样的序列数据有较好的处理效果,能捕捉上下文之间的语义信息和历史信息。同时,注意力机制的引入使得模型能关注句子中更加重要的部分,从而提升模型的准确率。本文提出了基于双向长短期记忆网络的交互注意网络模型(Bi-IAN)。模型通过双向长短期记忆网络对评价对象以及上下文分别进行建模,得到隐藏表示。接下来,通过交互注意力学习上下文和评价对象之间的注意向量,并重构评价对象和上下文的表示,最终通过非线性层得到分类结果。选取Sem Eval 2014任务4的两个数据集和Chinese review datasets数据集作为实验数据集,通过对比实验发现该模型在方面级情感分析具有较好分类效果。本文还提出了基于字词联合向量的AOA模型(WC-AOA)。首先构建字词联合向量将评价文本转换成向量表示,作为模型的输入。通过BiLSTM同时对方面及文本进行建模,将BiLSTM产生的目标表示和文本表示通过AOA模块,生成方面与文本之间的相互注意力矩阵,将重构的句子表示通过线性层得到最终的分类结果。选取AI Challenger database 2018数据集作为实验数据集,该数据集包含20个情感对象,4种情感倾向。在该数据集上进行实验预测20个情感对象的情感倾向,实验结果表明该模型在方面级情感分析具有较好分类效果。