近年来,由于人们对消费需求的转型升级,国内互联网服务业飞速发展,积累了海量的用户评论信息。对这些评论进行情感分析,有助于机器充分理解评论中蕴含的态度观点和情感倾向,帮助网络平台了解用户需求、社会热点、舆情走势等,具有巨大的研究意义。然而,传统方法仅能推断出一个文档或句子整体的情绪极性,无法针对句子的具体方面进行分析。方面级情感分类解决了这个问题,它可以推断出文本序列中更全面、更深入的情感极性,更能体现用户的真实想法。现有方面级情感分类研究忽略了特定方面下评论的情感信息和句法结构信息,未能充分学习到单词之间的语义、句法和情感等联系。本文针对上述问题进行研究,分别提出了基于预训练情感嵌入和双图注意力网络的方面级别情感分类方法,主要工作包括:（1）提出了一种基于预训练情感嵌入的深度学习方法,它首先利用训练情感词嵌入的对抗性学习方法和双层双向长短期记忆网络,来提取特定方面类别下整个句子的情感嵌入,然后将此嵌入向量与BERT模型最后几层的语义信息动态地结合起来,最后采用线性加权和多头自注意力机制引导模型更加聚焦于特定方面类别的情感和语义信息,从而提升模型的效果。在中文患者评论数据集上的多组实验结果证明,该模型比目前其他最先进的模型表现更出色。（2）考虑到评论数据中的序列上下文信息和单词之间的句法依赖关系,提出了一种基于双图注意力网络的方面级情感分类方法。该方法首先构建两个图网络来描述句子的序列上下文信息和句法结构信息,然后利用注意力机制在单个图内聚合来自邻域节点的信息,并使用双仿射模块来协调序列图和句法图之间的异构信息。最后,本文利用特定方面的屏蔽机制和基于检索的注意力机制,使模型更加关注特定方面类别下的句子情感信息,从而推断出特定方面类别的情绪极性。SemEval 2015和2016竞赛公布的四个数据集上的实验结果显示,该模型的性能在方面级别情感分类上明显优于其他目前最先进的模型。本文对中文患者评论和英文商品评论进行方面级情感分类,能够挖掘出句子中更细粒度的信息,具有广泛的应用前景。它不仅为用户提供了丰富的决策信息,还提醒平台对某一方面存在的缺陷进行改进,促进了我国互联网服务质量的提升。针对该研究,未来还将在减少误差传播、避免过度参数化、多模态学习等方向继续探索。