在互联网时代，各大网站充斥着海量文本信息。问答型情感分析任务旨在从电商评论、微博动态、知乎问答等用户交互的问答对中，挖掘其情感态度。
　　目前问答型情感分析任务的处理方法，会将问题和回答文本切分为不同句子，对每个句子单独编码，忽略了句子之间的联系，造成了信息损失。为了解决这个问题，提出了分层循环注意力(Hierarchical Recurrent Attention, HRA)模型，在文本切分后，使用RNN(Recurrent Neural Network)对句子内部特征编码，使用自注意力机制对句子之间特征编码，根据每个句子的重要性，将句间特征以一定权重添加到句子内部的每个单词上，共同表示整个文本。此外，针对问题和回答对的信息匹配，采用双向注意力，学习问题和回答之间的交互特征。
　　BERT(Bidirectional Encoder Representation from Transformers)在自然语言处理领域的很多任务上取得了顶尖的效果，但对输入长度有限制，导致其处理过长文本时需要对句子截断，造成信息损失。为了解决这个问题，提出了基于文本分段的分层BERT注意力(Hierarchical BERT Attention, HBA)模型，首先将长文本切分为BERT能处理的多个短句，使用BERT提取每个短句的完整特征。然后使用自注意力机制，将每个短句的特征作为基本单元，获取所有短句之间的联系，让编码后的总体特征表示整个长文本，有效利用长文本各个部分的信息。
　　为了验证HRA与HBA模型的有效性，在三个电商问答型情感分析数据集上进行了实验。从实验结果可以看出，HRA能有效解决现有方法中句间信息损失的问题，且比不进行文本分段的RNN速度更快。HBA模型能在限制BERT输入长度时，仍能取得非常好的效果。