随着互联网和移动端的发展,越来越多的人在网络上分享信息并写下自己的一些评论,包括电影评论、购物评论、新闻评论等等。传统情感分析只能给出整句的情感倾向。随着注意力机制的提出,深度学习在自然语言处理领域得到了迅速的发展,注意力机制可以捕捉上下文的信息,能更好的处理语义层次的问题。细粒度情感分析的任务由评价对象的抽取和评价对象的情感判断两个过程组成。本文尝试采取基于注意力机制的深度神经网络模型来进行细粒度的情感分析,并验证了使用BERT词向量比以往的词向量在情感分析中更具有优势。方面抽取任务是一种序列标注类任务,在对传统的RNN-CRF框架原理及具体结构进行分析后,针对其存在的一些不足进行改进,得到模型MS-Att-CNNs:用卷积神经网络结合注意力机制替换了 LSTM和CRF,在词嵌入的过程中使用了多语义嵌入技术。对Bi-LSTM+CRF和MS-Att-CNNs两种模型在国际语义评测大会SemEval-2014 Task的笔记本和餐厅领域上进行了对比,相比模型Bi-LSTM+CRF,模型MS-Att-CNNs的笔记本数据集F1值要高2.34%,餐厅数据集F1值要高0.96%。通过分析基于LSTM和注意力算法构建的细粒度情感分析模型的训练过程以及存在的一些不足之处,提出了基于多头注意力和位置权重的模型PW-MHA。PW-MHA模型和以往的模型相比主要有三大变化:采用多头注意力机制、使用位置权重、在softmax归一化之前再进行一次特征提取操作。相对于基准模型中最好的MGAN,PW-MHA模型在笔记本领域的ACC和F1分别高出了 2.3%和3.34%,在餐厅领域分别高出了 2.2%和 3.23%。