近年来,随着各领域信息化的快速发展,尤其是社交网络的覆盖和线上消费的普及,在线发表的评论数量呈爆发式增长。在线评论相较于传统的口碑传递具有更好的时效性和广泛性,因此参考在线评论信息成为全面认知事物,合理化消费的重要手段。由于评论者与阅读者都会从多个不同的方面关注评论对象,对于文本生成针对其总体或单方面的情感标签已不能满足对文本所表达信息进行细粒度挖掘的需求。因此,针对评论的多方面情感分类任务成为一个具有实际需求的重要研究课题。多方面情感分类的目标是针对给定的每个方面都生成对应的情感标签。本文将多方面情感分类转化为一个文本序列到情感标签序列的任务。为解决情感标签与方面的对应问题,本文在编码-解码模型的基础上提出了一种基于一维卷积方面表达的目标嵌入方法。该方法利用卷积网络从方面表示词序列中提取方面表达特征,将特征作为目标嵌入到解码端生成的统一的语义向量。嵌入结果作为与方面对应的时步的输入以生成情感标签。注意力机制在自然语言处理领域获得了极大成功,对于特定的目标从文本中抽取对应的语义可以滤除信息噪声。利用多方面情感分类任务中方面序列的长度固定这一特点,本文设计了一种注意力筛选层。不同于Bahdua注意力,该结构仅利用编码端输出序列与方面表达序列计算注意力权重,并根据注意力权重矩阵生成对应于方面序列的语义序列。以该序列作为解码端的输入以生成情感标签序列。本文针对多方面情感分类任务提出了一种基于编码-解码模型的新思路,并根据任务特点提出两种改进模型,实验证明能有效提升在该任务上的性能指标。本文提出的方法还能为商品评论分析和统计提供支持,也可以为其他类似任务的解决和改进提供参考。