随着深度学习技术的发展,研究者们利用神经网络对文本进行情感分析,取得了非常好的结果。但随后研究陷入了瓶颈,以往的技术无法处理蕴含复杂情感的文本,尤其当文本中包含几种互相矛盾的情感。进行更加细粒度的情感分析是解决当前问题的关键。于是,研究方向从文本级别的情感分析转向对文本中出现的方面进行情感倾向判断。本课题主要研究内容就是对文本进行方面级别的情感分析,并提出了三个模型。在基于词级别交互注意力机制的方面级别情感分析网络中,考虑到方面词通常不仅仅是一个单词,如果简单的把方面词向量进行平均然后进行注意力计算,会损失掉方面词之间的内容和关系,每个方面词对句子中其他词的关注度是不一样的,同时句子中的其他单词对与每个方面词的注意程度也是不一样的。因此,提出了词级别交互注意力机制。实验结果显示我们的模型相比常规基于注意力的网络有了很大的提升。在基于局部注意力机制的方面级别情感分析网络中,方面级别情感分析的研究大多将输入序列分为方面序列和文本序列,并对它们之间的相互关系进行建模。但是考虑到文本与方面词之间的距离是个很重要的考虑因素,因此提出了一个新的思路:相比较全局上下文,方面词的局部上下文应包含了更多的重要信息。因此,确定一个上下文语境词具体修饰的哪一个方面词将是十分重要的。为了解决这一问题,提出了基于局部注意力机制的方面级别情感分析网络,旨在帮助模型捕捉局部上下文信息,从而更好的针对给定的方面进行情感分析。在三个常用的数据集上的结果显示,我们的模型相比近两年的情感分析算法有了很大的提升。在基于图卷积注意力的方面级别情感分析网络中,不同于以往对文本进行情感分类的各种方法,之前的方法大多忽略了句子的句法结构。因此我们提出了一种利用图注意力方式更新邻接矩阵,从而进行带有注意力的图卷积计算。充分利用词之间的依赖关系。通过依赖关系图,从方面词的语法上下文中获取情感特征。在三个数据集上的结果显示,我们的模型结果相比以往基于图卷积或图注意力的模型有了很大的提升。