近年来,文本情感分类已经成为自然语言处理领域最活跃的方向之一,在数据挖掘、信息检索、问答系统、智能推荐等方向都有重要应用。传统的文本情感分类通常是句子级或者文档级情感倾向识别任务,只需要给出句子或文档针对实体的整体情感倾向。但是如果想要获取用户对实体每个属性的情感倾向,就需要提出新的方法和框架解决,文本细粒度情感分类应运而生。细粒度情感分类即推断文本中涉及的每个属性的情感倾向,一般分为正向、负向和中性情感。注意力机制能够从源序列数据中提取得到与目标相关的内容,被广泛应用在细粒度情感分类模型中提取与属性相关的情感特征,显著提升了模型的性能。因此,本文以注意力机制为基础进行文本细粒度情感分类的研究。本文的内容主要包括:(1)本文提出了一种融合属性级注意力和上下文级注意力的协同注意力机制,交替的利用注意力机制对属性和上下文进行建模从而获取属性和上下文中重要的相关特征。在此基础上,本文设计了Coattention-LSTM模型,该模型利用LSTM提取上下文词语间的非线性组合特征,同时可以利用协同注意力机制从上下文和属性中提取有效的交互特征进行分类。(2)本文基于记忆网络提出了Coattention-MemNet模型,该模型采取一种多重循环的协同注意力机制交替循环提取上下文和属性之间的交互特征,能够在循环过程中根据历史计算结果动态调整属性和上下文注意力网络的权重分布。(3)本文设计了一个新的编码器用于细粒度情感分类,编码器通过自注意力机制计算一定窗口内词语与中心词的语义联系程度,并将联系紧密的词语作为上下文语境,然后利用卷积操作得到中心词与上下文之间的修饰关系。经过实验验证,编码器可以有效识别情感分类中的否定关系以及部分反语。(4)针对注意力机制在多属性样例中性能不佳的问题,本文提出一种简单有效的方法将位置信息融合到注意力机制中,该方法将相对位置信息作为一种权重先验信息,分别融合到属性和上下文注意力权重的计算过程中,使属性注意力网络能够根据距离属性较近的上下文信息计算属性表达向量,并且指导上下文注意力网络分配更多的权重到距离属性较近的情感特征上。本文在SemEval 2014和Twitter两个公开数据集上进行实验验证,其中Coattention-LSTM准确率相比于IAN提升了1%~1.5%;Coattention-MemNet相比于传统的记忆网络提升了1%~2%;新的编码器相比于LSTM有约1.5%提升;加入位置信息后,Coattention-LSTM和Coattention-MemNet提升0.3%~0.9%。