随着电子商务平台的发展,用户习惯于通过浏览商品评论了解商品的细节和质量。商品评论包含消费者对商品各方面的评价。因此,能够有效地分析出评论中商品各方面的情感极性不仅可以帮助用户全面的了解商品的信息还可以为生产商提供改进产品质量的依据。传统的情感分析任务可以通过分析文本的内容来判断文本整体的情感极性,但是不能给出文本中某部分的情感倾向。作为情感分析任务的一项细粒度任务,方面级情感分析是通过分析句子文本,从而给出不同方面对应的情感极性。因此,方面级情感分析对于分析电商平台的商品评论有直接的应用意义。本文以方面级情感分析任务所出现的问题作为研究重点,并致力于寻找解决方法,提出具有更好分类效果的模型。本文所做工作如下:（1）针对现有结合单词词性信息的方面级情感分析方法仅提取到浅层的词性特征而忽略了单词与词性之间的联系这一问题,本文提出了一种深度词嵌入模型的混合注意力网络（ELMo based Hybrid Attention Network,EHAN）。与现有网络不同,该模型不仅将深度词嵌入模型与并行编码网络相结合来捕获文本信息的情感特征,还以注意力机制的形式将单词词性的语义信息和词性信息进行融合,加强对词性的特征提取,使模型能够学习到更丰富的情感特征,以用于最终的情感极性分类。实验结果表明,与现有的基于语义信息来建模的模型相比,EHAN模型的分类效果更好,验证了所提方法可以有效地改善现有方面级情感分析方法的性能。（2）针对现有基于图卷积网络来获取句子的语法信息时不能有效利用依赖关系树的边缘信息,忽略了具体的依赖关系类型这一问题,本文提出了一种基于图卷积网络的多注意力机制的模型（Multi-Attention Mechanism based on Graph Convolutional Networks,MAMGCN）。该模型将依赖关系类型加入到语法图中,以帮助图卷积网络获取更准确的语法信息;其次,为了能够充分获取句子中的关键情感信息,模型引入语法注意力机制和多头注意力机制。在捕获语义方面的情感特征信息的同时也能学习到语法方面的有效特征信息,从而提高模型的分类准确率。在四个公开数据集上的实验结果表明,本文所提模型较基准模型在分类效果上有显著提升,验证了模型的有效性。（3）为了能够将方面级情感分析进行应用,设计了基于电商平台的商品评论方面级情感分析系统,从而将已经训练好的本文所提模型部署到系统中。具体来说,利用基于Python的爬虫框架Scrapy采集电商平台上多个领域的商品评论,并对数据进行预处理,使数据更趋于规范化,方便模型进行情感分类。然后,系统根据网络模型实现情感分析、结果可视化以及极性对比的功能,以供用户使用。