随着社交网络的发展,用户针对不同事物发表了大量带有情感倾向的内容,将这些文本数据进行情感分析并统计,对社会和商业等领域都有重要价值。早期的情感分析研究较为粗粒度化,认为一个文档或句子只包含了一种情感。方面级情感分析(Aspect-based Sentiment Analysis,ABSA)可以针对属性词所属的方面进行细粒度的情感分析,近年来受到学术界广泛关注。准确提取文本深层语义特征,挖掘单词间隐式关系,是提高方面级情感分析准确性的重要途径。本论文提出了增强注意力机制的方面级情感分析模型,重点从三个方面进行探索和研究,具体内容如下:1.提出基于注意力机制的属性词提取方法。针对现有模型难以有效挖掘单词间的隐式关系,导致非属性词实体提取,以及属性词提取不完整、不全面等问题。本论文在已有模型上,通过深度模型提取文本语义特征,并引入历史感知的注意力机制,充分利用历史时间步信息,从而建模属性词之间的隐式关系,提高属性词提取效果。2.提出基于BERT和改进注意力机制的实体方面级情感分析方法。利用BERT语言模型作为嵌入层,针对文本中存在的多个属性词和多个方面表达了不同情感,现有模型不能有效的将属性词与方面和情感正确对应,从而导致无关信息编码问题,本论文在已有情感分析模型之上,引入上下文相关的细化方面向量,从而有效的将属性词与方面对应起来,提高了方面类别识别和情感极性分类效果。3.基于本论文提出方法和模型,采用管道的方式连接属性词提取、方面类别识别和情感极性分类三个子任务,开发了面向餐饮业的线上评论分析系统。实现了对餐厅各个方面的评价细粒度分析,验证了本论文提出方法的有效性。