方面级情感分析（Aspect based sentiment analysis,ABSA）是当前自然语言处理（Natural language processing,NLP）领域的重要研究方向之一,该方法可以挖掘文本数据中某个特定实体或属性的情感倾向,进而更准确地反映复杂的情感特征。由于当前方面级情感分类应用领域较为广泛,部分领域包含的数据量规模较小、缺少较完备以及高质量的语料,导致存在可用数据集少样本（Few shot）、低资源（Low resources）等问题。此外,部分领域方面级情感分类数据集的方面词与上下文联系不够紧密的情况可能导致缺乏对全局信息的充分利用。针对上述问题,本研究通过构建多策略文本数据增强方案以及上下文文本生成模型来提高方面级情感分类模型的准确率。本文的主要工作有以下三个方面:（1）提出了一种多策略的文本数据增强方案,该方案首先基于词语层面对数据进行扩充,对原语料库的每个文档进行同义词替换、词语位置交换、删除部分字词等操作,得到词语增强后的数据。其次,再对原数据进行句子层面的扩充操作,包括句子改组、文本裁剪、语法树操作以及回译,形成句子级增强后的数据。在方面级情感分类领域数据集上验证了两种方法结合的多策略增强方法,并与词语级语料、句子级语料在几种分类器模型上的效果进行了对比,最终实验结果表明,多策略文本增强技术可以有效扩充数据量,提升模型的分类效果。（2）基于Bert（Bidirectional encoder representations from transformers）预训练语言模型与文本数据过滤算法构建了上下文文本生成模型。该模型首先利用Bert模型对上下文信息充分利用,同时更加关注句子之间的内部关系,有效结合句子和标签之间的关系,得到初步的数据增强语料库。其次,设计了过滤筛选的算法,对初步的增强语料库进行筛选,过滤掉生成质量不高的数据,形成最终的增强数据。最后,通过实验测试最终数据集,结果表明增强后的数据集提高了文本质量,有效提升了模型的方面级情感分类效果。（3）设计并实现了基于文本数据增强和生成的方面级情感分类系统。该系统包括:数据预处理、文本数据增强、方面级情感分类以及评论极性判别四个模块。首先,该系统可以对原始数据集进行一系列的文本数据增强操作,得到增强后的文本,然后整合文本增强工具和方面级情感分类的功能,预测数据增强后方面级情感分类的效果。最后,通过对在线旅游评论领域的文本数据进行应用,对文本的情感极性进行判别,以证明该系统的实用性。