特定目标情感分类是自然语言处理的重要研究方向之一,其旨在准确判别句子中目标实体的情感极性,由于目标实体的情感极性依赖于句子上下文语境中某些表达目标情感的情感特征词,通过挖掘目标实体与句子上下文的语义情感联系,从而找到与目标实体相关的情感特征词;虽然特定目标情感分类模型在过去的几十年研究中已经有了极大的发展,但仍存在无法充分挖掘目标实体与情感特征词的关联,以及准确判别包含多个目标的句子中的目标情感极性等一系列问题,所以依旧是一个极具挑战性的任务。为了准确判别句子中目标实体的情感极性,本文通过研究当前自然语言处理领域的方法,提出基于深度学习的特定目标情感分类模型,主要内容为:（1）提出基于目标特征融合的图卷积网络模型（Aspect-feature Fusion with Graph Convolutional Network,AFGCN）,该方法首先将句子输入至词嵌入层、Bi-LSTM层中进行上下文语义编码,得到句子的隐层向量表示;然后根据句子中词,离目标实体的不同距离,分别对词的隐层向量表示乘上相应的位置权重,从而达到距离较远的词其影响也越小的效果;由于目标作为一个实体名词,其情感倾向由句子中的情感特征词决定,其本身并不包含情感倾向,所以先将目标置为零向量,再使用图卷积网络,将与目标存在依存句法关系的词的隐层向量表示,填充至目标隐层向量中;然后再使用注意力机制在句子隐层向量表示中筛选关键信息,最后再与池化后的目标隐层向量拼接得到最后的结果。通过融合图卷积网络和注意力机制筛选出的关键信息,构建了更为准确的情感特征表示,从而提高了分类精度。（2）提出基于多目标依存建模的图卷积网络模型（model Multi-aspect Dependencies with Graph Convolutional Network,MDGCN）,模型首先对输入句子进行语义编码,再通过注意力机制对目标进行上下文语义编码;为了能够有效建模同一句子中多个目标之间存在的依存关系,提出根据句子的依存句法树构建多目标依存图,再根据多目标依存图使用图卷积网络对多个目标之间的依存性进行建模;最后,利用生成的目标表示进行情感分类。通过构建多目标依存图,获取了目标之间的依存关系,弥补了单一目标受限于句法依存树上的关联词而无法找到更有效的情感特征词的局限性,从而提高了分类精度。（3）在AFGCN网络模型的基础上,本文联合预训练语言模型以及对依存句法树进行改进,提出基于改进依存句法树与预训练语言模型的图卷积网络模型（AFGCN over Improved Dependency Tree and BERT,IBGCN）,首先根据句子的依存句法树,以目标为中心,重新设计面向目标的依存句法树（Aspect-oriented Dependency Tree,ADT）,针对每个目标生成其特有的依存句法树,从而充分利用了目标的特征,然后,为了增强模型的表达能力,同时拥有句子在特定语境下不同隐层表示的词向量,使用BERT作为词向量,使句子中每个词在高维空间中有更加准确且符合语境的隐层表示,从而提高了分类精度。