方面级别情感分析是自然语言处理领域研究的热点。方面级别情感分析是一种细粒度的情感分析,主要包括方面术语提取和方面情感分类两个重要的子任务。有的方法只单独解决一个子任务,有的方法以流水线形式解决两个子任务。这些方法容易实现,但是不能充分考虑两个子任务间的联系,也不能显式地对两个子任务的交互进行建模。方面术语本身和评论关于方面术语的情感信息都很重要。因此,本文提出两种同时解决方面术语提取和方面情感分类的神经网络模型。本文的主要工作如下:(1)本文提出了一种融合注意力机制的联合模型,该模型能够捕捉上下文中重要的情感信息,并能同时解决方面术语提取和方面情感分类问题。在双向长短时记忆网络的基础上,结合两种注意力机制,不仅考虑内容信息,还加入位置信息,计算每个上下文单词和方面术语的相关性。注意力机制能够对句子的内部结构进行建模,融合句子中的情感信息。为了使模型在训练过程中更好地拟合和优化参数,从而提高模型的效果,本文优化了神经网络模型的损失函数。(2)本文提出了一种指导注意和交互多任务神经网络模型,该模型基于门控循环单元网络实现,可以同时解决方面术语提取和方面情感分类问题。通过门控机制实现交互组件,显式地建模方面术语提取和方面情感分类的交互关系,在两个任务之间进行消息传递。指导注意力机制能够将意见词提取的预测结果引入方面情感分类任务,指导方面情感分类任务更多地关注带有情感极性的意见词。方面级别情感分析的数据集较小,不能充分发挥神经网络模型的优势。因此,本文添加文档级别辅助任务,迁移文档中的语义和情感知识。(3)本文针对提出的两种模型,进行了广泛的实验。本文用F1分值评估模型同时解决方面术语提取和方面情感分类的效果,并用F1分值和准确率分别评估模型单独解决方面术语提取和方面情感分类的效果。实验结果表明,针对在两个数据集上同时解决方面术语提取和方面情感分类问题的F1分值,融合注意力机制的联合模型分别比最优基线模型提高0.97和0.79个百分点,指导注意和交互多任务神经网络模型分别比最优基线模型提高1.14和1.97个百分点。并且,模型单独解决方面术语提取或方面情感分类的效果相比基线模型有一定提高。