当前网络购物盛行,产生了大量产品评论数据,其中蕴含的情感信息极有价值,消费者可以用来指导购物,厂家可以用来了解用户关切改进产品。为了更好地利用产品评论数据,提出了细粒度情感分析,即方面级情感分析的任务,它的目标是从评论中分析用户对产品不同方面的情感信息。本文研究电子产品评论的方面级情感分析,收集了中英文多个电子产品评论方面级情感标注数据集,鉴于中文电子产品评论数据集的缺乏,以及其场景适用性和时效性的不足,构建了 一个全新的中文手机评论方面级情感标注数据集,并提出了基于依存关系和结构注意力网络、基于依存关系图卷积网络两个方面级情感分类模型,取得了良好的实验效果。具体研究内容如下:（1）构建中文手机评论（Chinese Mobile Phone Reviews,CMPR）方面级情感分析数据集。基于京东社区开放API,爬取了 15714条手机评论,进行了短文本、重复及不含方面词评论的删除等预处理操作,制定了标注规范并完成了方面情感标注,形成了一个包含1459条评论的数据集,最后统计分析了数据集包含的方面词总数、评论长度和情感极性分布等多个维度信息。（2）提出基于依存关系和结构注意力网络（Dependency Relation and Structured Attention Network,DRSAN）的情感分类模型。为了解决基于纯注意力机制的方法在关联目标方面情感词上的局限性问题,通过在注意力网络中引入句法信息,使得模型从句子中抽取的情感特征更加依赖于词之间的依存关系。另外,通常一个句子中决定某个方面词情感极性的观点依据可能不止一个,因此为了提高模型捕捉情感特征的可靠性,利用结构注意力同时抽取这些观点依据。最后将两种方法获取的情感特征进行拼接,以此实现情感分类。在多个电子产品和非电子产品评论数据集上,DRSAN的情感分类评价指标均高于对比模型,体现了模型良好的效果和泛化能力。（3）提出基于依存关系图卷积网络（Dependency Relation Graph Convolutional Network,DRGCN）的情感分类模型。完整的依存关系由支配词与从属词之间的依存边和边上的依存标签构成,而DRSAN仅对依存标签利用一种序列方式进行编码,既没有充分利用依存关系,又没有对依存关系树结构进行有效的编码,这使模型只能抽取弱依赖的情感特征。为了编码树结构,基于图卷积网络从两个方面进行考虑,针对依存关系树中节点之间的边和边上的依存标签,构建两个邻接矩阵,利用两个图卷积网络从输入序列中抽取更加完整且具强依赖的情感特征,最后将获得的两种情感特征交由一个双仿射层模块处理,实现情感信息的交互。实验结果显示,在多个电子产品评论数据集上,DRGCN的情感分类评价指标优于DRSAN,这表明DRGCN能够更加有效地利用和编码依存关系树。