近年来,随着人工智能技术在各行各业的应用,针对互联网中用户评论的情感分析已经成为了一个重要的研究课题。在提高产品质量,辅助产品设计与改进,提升服务水平以及了解舆情等方面,用户评论的情感分析技术都得到了广泛应用。目前,在5G移动互联网的作用下,针对方面级的细粒度情感分析和针对多模态数据的情感分析已经逐渐成为情感分析的主要研究领域。最近的一些研究表明,借助预训练模型,能够较好地实现机器翻译、文本分类、对话生成和文本识别等工作。但是,如何将预训练模型中通过大量的数据样本学习获得的知识应用到方面级情感分析和多模态情感分析领域,还需要进一步深入。目前,基于机器学习的方面级情感分析任务中所使用的方法,一方面需要重新对包括方面级信息和文本整体信息在内的知识进行学习,另一方面也无法对文本的语义进行上下文两个方向的提取,导致在模型训练的过程中会忽略掉一部分的语义信息,降低模型对文本的理解能力,最终导致分类效果欠佳。而基于机器学习的多模态情感分析方法大多都过于专注于多模态数据中的语义理解,忽略了多模态数据中可视化信息传递出的情感信息。因此,本文针对方面级情感分析中欠缺的部分和多模态情感分析中忽略的部分,开展了相关研究并提出了以下方法:1.基于Bi-GRU与Al-BERT的方面级文本情感分析方法针对常规情感分析方法只针对文本整体情感极性分析,忽略了文章中方面级情感信息的问题,提出了基于Bi-GRU与Al-BERT的方面级文本情感分析方法:ATAE-Al BERTBi GRU模型。该方通过将基于方面级信息的注意力机制添加到Al-BERT模型中,使其能够更好的针对方面级信息进行运算,聚焦于与方面级信息相关的语义知识。同时该方法通过使用Bi-GRU结构改进ATAE-LSTM模型,使其能够对句子的上下文两个方面的语义同时学习,能够更深层次的理解句子含义,以及方面级信息在句子索要表达的情感倾向。实验分析表明得出使用改进后的Al-BERT模型与Bi-GRU模块进行基于方面级的情感分析时具有较好的效果。最终通过提出的模型与多个模型在自建电子商务平台评论数据集和公开数据集上进行方面级文本情感分析任务的对比实验,得出本文提出的模型在语义信息的理解能力上更加有效,而且模型的收敛速度更快。2.基于预训练模型的特征可视化多模态情感分析方法针对电子商务平台中评论数据的特点是包含较为丰富的图片、视频和文本信息,通常情况下对于评论的情感分析只会聚焦于文本,而忽略视频中包含的情感信息。针对这一问题提出了一种针对于音频数据和文本数据的多模态情感分析方法:MultiVisualization。该模型主要以特征可视化的方法进行特征的融合与分析。对于音频数据,使用梅尔频率倒谱系数计算其可视化特征。对于文本信息,直接使用其字符的形态作为其可视化特征。通过对两种特征的可视化融合,进行以预训练模型为主的图形分类,最终以同一形式的特征进行分类。通过对比实验得出,在该模型中使用梅尔频率倒谱系数提取音频数据特征,使用超级字符提取文本数据特征,以Graph-BERT作为其预训练模型进行分类。最终使用本文提出的Multi-Visualization模型与多个多模态情感分析模型在自建数据及和公开数据及上进行对比实验,得出了较好的结果。本文提出的模型以特征可视化的方式进行多模态数据的语义分析时,能够更好的挖掘其图形化特征,最终了较好的训练效果。