基于方面的情感分析是一项细粒度的情感分析任务,其目的在于分析预测句子中评论到的各个方面对应的情感极性。在本文中,我们发现并讨论了当前基于方面的情感分析任务中存在两个问题:方面表示中的方面类别与方面词在表示空间上的未对准问题,模型难以准确识别冲突情感的问题。前者讨论方面表示——这一在许多基于深度学习的方面级情感分析模型中负责提供方面的语义信息的重要组件。尽管方面表示扮演着重要的角色,但是目前并没有工作对方面表示相关的问题针对性地进行讨论和研究。不同方面表示方法所提供的信息有什么不同?什么样的方面表示更有利于情感分析?我们希望能够通过本文的研究加深人们对方面表示的理解。此外,冲突情感是基于方面的情感分析中的一个有趣但经常被忽略的现象。我们认为有必要令方面级情感分析模型具备识别冲突情感的能力,我们在本文中深入地讨论了识别冲突情感的重要性。而现有的模型在识别冲突情感时面临着数据不平衡和无法完整捕捉冲突情感表达的问题。因此我们认为需要提出新的模型以提高对冲突情感的识别效果。为解决以上的两个问题,本文分别提出了基于语义对齐的方面表示训练算法,和基于双重注意力机制的冲突情感识别模型。基于语义对齐的方面表示训练算法根据数据集的信息将方面类别与方面词的关系表示成图(Graph),然后使用无监督的表示学习算法训练方面表示。基于双重注意力机制的冲突情感识别模型,使用多标签分类的框架应对训练数据不平衡的问题;然后利用双重注意力机制,以更完整地识别冲突情感的表达。我们在Sem Eval数据集上进行了实验,以验证本文所提出的方法的有效性。实验结果表明,基于语义对齐的方面表示训练算法能够训练出更准确地反映方面类别与对应方面词间的紧密关系的方面表示,且使用该方面表示的方面级情感分析模型能够达到更高的准确率。而基于双重注意力机制的冲突情感识别模型在方面级情感分析的准确率上,特别是对冲突情感的识别准确率超越了所有对比模型。