随着互联网的普及,即时通信、网络新闻、网上购物等活动产生了海量的短文本数据,其中包含大量与人们生产生活息息相关的信息,可以大幅度提高用户体验,具有极高的商业价值。但是网络短文本数据具有文本长度短、特征稀疏、噪声多等特点,粗粒度的文本分类任务已经具备成熟的模型与方法,但是更细粒度的方面情感分类任务依旧存在进一步提升的空间。本文针对短文本数据特征稀疏和噪声多等特点,提出使用深度强化学习来提取文本中与方面相关的信息,用于更细粒度的方面情感分类任务,主要的工作内容与创新点如下:（1）针对以往工作中句法依赖树可能在生成时产生噪音或存在与方面无关的信息的问题,提出基于强化依赖图的方面情感分类模型（RDGSC）,使用基于策略的深度强化学习算法,通过建模句法依赖树的节点信息、单词词性信息和关系类型,生成与方面相关的强化依赖图。随后通过图注意力网络使方面节点充分融合邻居节点的信息,再在上下文信息上使用基于检索的注意力机制,得到更精炼的最终表示,同时将分类结果作为延迟奖励,指导策略网络进行更新。我们提出以交替的方式对策略网络和图注意力网络进行训练。我们在公开的五个真实数据集上进行大量实验,实验结果表明RDGSC模型的效果明显优于现有的基线模型。（2）针对短文本上下文中的一些单词可能是噪音或与方面无关的信息的问题,提出基于方面感知强化学习的方面情感分类模型（A2RL）,A2RL引入了一个方面指导的强化表示模块（AG-RRM）,以确定一个单词是否有助于输入文本生成与目标方面相关的最终文本表示。然后利用基于检索的注意力机制,在AG-RRM输出的增强文本表示上构建方面指导的图卷积网络（AG-GCN）,并进行分类,同时设计延迟奖励指导策略网络更新,鼓励其捕获更多目标方面无关的档次,最小化情感分类损失。我们提出以交替的方式对AG-RRM模块和AG-GCN模块进行训练。在Twitter、Lap14、Rest14、Rest15和Rest16,5个广泛使用的数据集上的实验结果表明,我们提出的A2RL可以有效地生成面向方面的增强词表示,并在生成的表示基础上使用多层GCN对局部依赖结构信息进行建模。