随着科技的发展,社交网络变得日益繁荣,如何从海量文本信息中挖掘用户所表达的情感引起学者们的广泛关注,成为自然语言处理（Natural Language Processing,NLP）领域的研究热点。情感分析分为文档级、语句级和方面级三类,文档和语句情感分析分别将整篇文档或文档中的具体句子作为分析对象,常用于产品评价、影评和视频字幕等场景的文本内容情感识别。方面级情感分析（Aspect-based Sentiment Analysis,ABSA）旨在判断句子中的单词或短语的情感极性,以便更细腻分析句子或文档所蕴含的感情色彩,这里的单词或短语通常称之为“方面”（Aspect）。目前,基于深度神经网络的方面级情感分析已经成为研究主流,将其与其它编码结构结合,构建的深度网络模型受到了许多学者的青睐,但目前关于情感分析的研究方法,无法同时关注方面词的上下文和语法信息,且未引入语句的语义信息,导致模型无法正确判断方面的情感倾向。传统的情感分析方法可以提取具有固定几何关系的数据特征,而现实中存在许多含有图结构的数据信息,图卷积神经网络可有效捕捉图结构的依赖关系。因而本文以图卷积神经网络为基础,融合方面的不同邻域信息和语句的语义信息,进而构建不同的方面级情感分析模型,以捕获判定情感极性的关键特征,提高模型性能。本文的主要工作包括:（1）提出嵌入不同邻域表征（Embedding Different Neighborhood Representations,EDNR）的方面级情感分析模型。采用卷积神经网络并结合近邻策略来获取方面邻域信息,减小较远无关信息对情感极性的影响。同时,利用图卷积神经网络提取节点邻域信息,以获取句子的语法依赖关系。将两种邻域表征信息融合后,使用注意力机制对确定方面情感极性的重要信息进行特别关注。文中还提出一个信息评估系数,来评价上下文和语法信息对情感极性的影响程度。在5个公共数据集上进行实验,实验结果表明EDNR模型的有效性。（2）提出融合先验知识（Incorporate Prior Knowledge,IPK）的方面级情感分析模型。构造单词之间的知识图,利用图卷积神经网络来捕获知识图的依赖信息。根据输入文本,获取单词的词性信息。将词性特征与知识信息进行融合,可获得最终的先验知识特征表示。IPK模型为每个单词提供相应的语义和词性信息,减少了语句中情感信息表述模糊带来的不良影响,有效判别复杂自然语句中的方面情感极性。在标准数据集上与其它模型进行对比实验与分析,实验表明该模型可获得较高准确率和F1值。本文所提模型能够有效提取图结构的数据特征,且获得更丰富的情感信息编码,改善网络的方面级情感分析效果,推进ABSA任务在社交平台、电商平台或舆情平台等场景中的应用。