近年来,自然语言处理各个领域取得迅猛的发展。支撑发展的核心技术之一—深度学习,在学术领域和工业界均取得了巨大的成就。许多学者们用深度学习技术来处理文本信息,借助神经网络和注意力机制进行文本情感色彩的判断。由于语言本身的复杂性,一个句子、一段文字可能会表达出多个不同的感情倾向,在借助深度学习技术分析较长篇幅文本的情感极性时遇到瓶颈。因此,将长文本进行细粒度的划分,从方面级的角度分析文本的情感成为当下情感分析领域的热门研究话题之一。然而,现有的研究也存在以下不足之处:首先,句子中不同单词相对于方面词的位置信息容易被忽略,导致神经网络和注意力机制在处理初始化后的词向量时不能合理分配单词的权重。其次,使用的神经网络结构较为单一,导致模型不能有效学习句子中隐藏的语义特征。在某一时刻,神经网络会遗忘掉前一时刻重要的词向量权重。最后,注意力机制的设计不合理,不能高效发挥它的作用。因此,针对以上存在的问题,本文提出三个不同的模型。第一个模型在初始化词向量的时候引入位置信息,构建位置向量。第二个模型将两种不同的神经网络相结合充分学习语义特征。第三个模型通过对注意力机制的设计和运用进行研究,提出了一种新型的多注意力机制协同工作的网络。本文的主要贡献如下:1.提出了一个融合位置特征和多级交互式注意力机制的方面级情感分析模型。首先,该模型根据句子中不同单词相对于方面词的位置构建位置向量,丰富词嵌入。考虑到不同上下文词对判断句子中方面词的情感极性的作用不同,模型根据它们距离的远近分配不同的词权重。其次,为了节约模型的训练时间,借助双向的多级交互式门控循环单元（GRU）提取语义特征。最后,使用注意力机制构建从方面词到上下文词和上下文词到方面词的句子的最终向量表示。在常用的四个数据集上,实验结果表明所提模型与基线模型相比有更出色的表现。2.提出了一个使用交互矩阵和全局注意力机制的方面级情感分析模型。该模型在考虑句子中单词间相互位置信息的基础上,引入长短期记忆网络、卷积神经网络两种不同类型的神经网络。在充分学习句子中的语义关系后,将方面词和上下文词的关系融合并矩阵化,进而与全局注意力机制相结合计算出最终的句子的向量。在常用的五个数据集上,实验结果显示所提模型与基线模型相比,性能好于其他同类模型。3.提出了一种新型的多注意力机制相结合的方面级情感分析模型。基于基础BERT模型,该模型进行了完善与提高。模型在初始化词向量的时候使用BERT,然后使用层内注意力机制和层间注意力机制两种不同类型的注意力机制。层内注意力机制是一个堆叠式结构,主要由多头自注意力机制以及点式前馈神经网络两部分构成。层间注意力机制使用一个交互式全局注意力结构。特别的,在此我们提出了一个特征关注机制模块帮助模型捕捉上下文信息。在常用的五个数据集上,实验结果表明我们的模型优于同类的情感分析模型。