情感分析是指挖掘和分析评论文本中情感信息的过程。方面级情感分析是情感分析的子任务,旨在预测评论目标的具体方面所对应的情感极性。本文主要针对现有的方面级情感分析模型存在的方面信息丢失、无法利用句法依存关系等问题开展研究,主要研究内容如下:记忆网络虽然能够有效地长期存储文本中的信息,但是无法充分利用评论文本中的远距离语义依赖关系,导致语义信息丢失,进而影响情感极性的预测。同时,在注意力权重的计算过程中,还存在方面信息丢失的问题。针对上述问题,本文提出了一种融合分层多头注意力机制的记忆网络模型（Memory Network with Hierarchical Multi-head Attention,MNHMA）。首先,为了提取上下文中的长期依赖关系,提出使用一种基于双向旋转记忆单元的语义信息提取策略。其次,提出一种分层多头注意力机制来保存方面信息,使MNHMA能够集中注意力于文本中给定方面的上下文关键词。最后,在分层多头注意力层的每个注意力层中使用具有非线性激活函数的全连接层,以模拟情感的非线性转换,从而获得能够更精确反映给定方面相关情感信息的上下文表征向量。实验结果表明,本文所提MNHMA模型能够有效提高方面级情感分析性能。与记忆网络和循环神经网络相比,图神经网络的优势在于能够利用评论文本单词之间的句法依存关系从而提升模型学习给定方面相关情感信息的能力。但是现有基于图神经网络的模型仅对句子建模,并没有对句中的给定方面单独建模以充分利用方面信息。而且,现有基于图神经网络的模型所采用的注意力机制过于简单,容易受到噪声词的干扰,从而导致模型无法有效提取上下文中的关键情感信息。针对上述问题,本文提出了一种融合多粒度注意力机制的图卷积网络模型（Graph Convolutinal Network with Multi-grained Attention,GCNMA）。GCNMA通过两个双向长短期记忆网络分别学习句子和方面的向量表示,然后利用多层图卷积网络对句子向量进行更新。同时,提出了能够实现单词级注意力和句子级注意力的多粒度注意力机制。该机制结合两个双向长短期记忆网络的输出和多层图卷积网络的输出以捕获方面和上下文单词之间的依赖关系,从而生成句子的最终表征向量。实验结果表明,GCNMA能够准确预测给定方面的情感极性,模型性能优于目前最先进的方面级情感分析模型。