随着互联网迅速发展,线上消费已成为一种趋势,并为广大消费者所接受,因而各种购物平台的在线评论信息也开始呈现爆炸式增长。通过挖掘这些评论的潜在情感倾向,企业可以快速找准自己的定位,从而在用户体验的基础上改进产品和服务,获得消费者的信任和青睐,促进服务业的蓬勃发展。同时,也能促进在线评论者的交流,帮助用户更好更快的做出决策。因此探究在线评论信息,挖掘其背后的情感倾向具有重大的商业价值和学术价值。本文主要致力于分析文本中可能存在的多种结构关系,并探讨各种结构关系带来的隐藏信息,构建了两种基于结构关系的方面级情感分类模型,并利用了大量实验证明模型的有效性,其研究工作内容主要如下:针对以往方面级情感分类研究主要利用给定句子的局部结构信息,例如句子中的局部性,顺序性或句法依赖性约束,很少引入新的结构信息,因此本文提出将全局结构信息和局部结构信息同时引入到方面级情感分类任务中。具体来说,本文利用句法依存结构以及句子顺序信息来挖掘句子的局部结构信息。另一方面,本文使用整个语料库构造单词文档图,以揭示单词之间的全局依赖性信息。另外,利用注意力机制对全局和局部依赖性结构信息进行了充分有效的融合。在五个公开的数据集上开展了大量的实验,分析结果发现本文提出的框架GL-GCN优于基于方面的情感分类的最新方法。由于现有基于图卷积网络（GCN）的方面级情感分类方法主要依赖于探索句法依赖关系的结构,这会受到噪声和稀疏问题的影响。而且,这些方法通常对一种结构信息（即句法依存结构）进行建模,而在很大程度上忽略了词之间的其他丰富的结构信息,例如一个时间窗口内词的连续结构,或词与词之间在整个语料库的共现结构。基于以上问题,本文提出了一种新的基于GCN的模型,称为结构增强双通道图卷积网络（SEDC-GCN）。具体来说,本文首先通过构建文本序列图和增强依赖图来获取丰富的结构信息,然后设计一个双通道图编码器来对来自两个图的结构信息进行建模。之后,本文提出了两种针对具体方面的注意力,即基于语义的方面注意力和基于结构的方面注意力,从基于文本编码器的语义角度和基于双通道图编码的结构角度学习句子表示。最后,本文从以上两个角度合并句子表示,得到最终的句子表示。结果表明,所提出的方法SEDC-GCN始终优于所有基线。