随着互联网海量评论数据越来越倾向于客观化、多角度化,准确把握用户对产品各个方面的情感极性具有重要意义。传统的句子级情感分析虽然能够针对某句话识别出其整体的情感倾向,但是当句子中存在对产品不同方面类别的评论时,句子级情感分析则不能满足识别特定方面词下的情感极性需求。方面级情感分析旨在识别出句子中针对特定方面词的情感极性,与句子级情感分析相比,方面级情感分析粒度更细,对于用户了解产品不同维度信息的应用价值更高。目前在方面级情感分析任务中,循环神经网络结合注意力机制的方法取得了较好的效果,但是传统的注意力机制无法将方面信息与上下文信息有效融合。其次,评论文本语言错综复杂,仅依赖于神经网络进行方面级情感分析难以弥补在情感常识知识上的空缺。因此本文提出了一种将交互式神经网络和外部知识模块相结合的新型方面级情感分析架构,并针对训练过程中存在的领域偏差和中性情感标签不可靠问题,提出领域联合训练和重构损失函数的方法。主要工作如下:（1）针对句子中方面词较多导致文本表达能力差的问题,设计了交互式神经网络模型,利用上下文感知的BERT作为词嵌入模型,并以多模式注意力机制完全替代循环神经网络,使模型可以有效提取更重要的信息,融合了方面词与上下文之间的文本表达。（2）针对语言复杂性的问题,引入外部情感知识,并通过知识图嵌入的方法建立情感知识网络,提高模型的情感感知能力以及推理能力,强化方面词与情感词之间的匹配。（3）针对模型在不同阶段领域适应性差的问题,首先对词嵌入阶段BERT的基准预训练语料库进行调整,采用领域相关的BERT-PT对原有模型进行二次训练;其次在训练过程中,本文采用领域联合训练的方法融合了两个不同领域的数据集。（4）针对训练样本中中性情感标签不准确的问题,提出重构损失函数,并在其中引入标签平滑正则化项,降低标签的绝对化,提高模型的泛化能力。利用所提出的模型在Sem Eval-2014 Task4的laptop和restaurant以及ACL 14twitter三个公用数据集上进行测试,实验结果表明该模型能有效提升方面级情感分析的精度,将其与其他先进模型进行对比,该模型依然具有一定的优势。