随着网络技术的快速发展和互联网使用成本的降低,网民数量正逐年增加,越来越多的人倾向于在网络平台发表如商品评论、热点话题评论等大量带有情感色彩的文本信息,分析这些主观性文本可以更好地理解用户的情感态度,具有一定的商业应用价值。如何从海量的非结构化文本中挖掘出有价值的信息成为研究的热点之一。情感分析作为自然语言处理的子任务,旨在从文本中分析出人们对于某个实体或属性的情感倾向。传统的粗粒度级情感分析只能给出句子的整体情感倾向,无法识别句子中特定方面词的情感极性,因此情感分析的粒度需要更加细化。本文以注意力机制和双向门控循环单元（Gate Recurrent Unit,GRU）为基础进行方面级文本情感分析研究。本文的研究工作和主要创新点如下:针对以往研究中忽略方面词信息的问题,提出了一种基于注意力的双向GRU方面级情感分析模型（ATAE-BiGRU）。该模型使用BERT预训练模型对文本进行向量化表示,通过GRU网络对目标和上下文建模获得目标和上下文的隐藏向量表示,提取其中的语义信息。利用注意力机制捕捉句子中的关键信息并为不同的词分配权重分数,将隐藏状态和方面词向量结合起来,方面词向量作为模型参数训练,得到文本在给定方面词上的权重表示。本文在公开数据集上进行了验证,实验结果表明基于注意力的双向GRU模型优于传统的神经网络模型。在方面级文本情感分析中,传统神经网络模型在上下文和方面词之间的交互性较少,无法充分考虑词语的语法结构信息,忽略了位置信息对方面词情感极性的影响。本文提出了融合位置信息的注意力交互模型（MAIP）。该模型使用无监督的神经语言模型Glove来训练初始单词嵌入,引入依存分析树表示词语之间的关联信息,将位置信息嵌入到词向量中,使用双向GRU获取文本的隐藏向量表示,接下来使用注意力机制获取上下文和方面词的重要信息,分析方面词和上下文之间的关联程度。实验结果表明,MAIP模型在文本情感分析任务中取得了较好的分类效果。