互联网产生的海量网络数据为文本情感分类任务的发展创造了机会。传统的文本情感分类任务以段落或句子为基本单元,判断段落或句子的整体情感倾向。而细粒度情感分类任务旨在判断某一具体属性在给定句子中所表达的情感倾向（负向、正向或中性）。目前细粒度情感分类领域中相关属性表征方法的研究普遍存在两点问题:属性表示向量的学习过程独立于句子编码过程,使模型不能根据句子语义环境确定属性含义;引入噪声信息（如属性中没有实际含义的词）的同时难免丢失其他重要信息。因此,本文以优化属性表征方法为切入点进行细粒度情感分类任务的相关研究,研究内容总结如下。1、本文设计了双向增强机制,并基于该机制构建了一个METNet（Mutual Enhanced Transformation Network）模型。METNet模型包含两个重要的组件,即属性增强模块和特定于属性的转换单元。属性增强模块以特征融合的方式将句子信息融入属性表示向量,可获得上下文感知的属性表示向量。特定于属性的转换单元将上下文感知的属性表示向量同句子中每一个词的表示向量连接在一起进行非线性转换,可获得属性感知的句子表示向量。由此可见,两个组件相互配合实现了句子表示向量和属性表示向量的双向增强。2、本文构建了一个基于图卷积网络和定制属性的细粒度情感分类模型,简称GCN-TMA（Graph Convolutional Networ—Transformation Based on Modified Aspect Representation Vectors）模型,该模型包含两个重要的组件:基于依存句法树的图卷积模块和属性感知的上下文转换单元。基于依存句法树的图卷积模块首先基于句子的依存句法树构建相应的图结构,图的结点代表词,无向边代表两个结点对应的词间是否存在依存关系。然后,基于邻接结点对当前结点的状态进行更新,结点的更新通过卷积操作具体实现。最后对卷积层的输出执行掩蔽操作以保留集成了句法信息的属性表示向量。属性感知的上下文转换单元首先计算句子中每一个词同属性中每一个词的注意力分数。然后基于该注意力分数加权为每一个上下文词生成不同的属性表示向量。随后将上下文词的编码表示向量与对应的属性表示向量连接起来进行非线性转换,可获得属性感知的句子表示向量,最后将其用于计算情感分类结果。本文在SemEval 2014数据集和Twitter数据集上验证了METNet模型和GCNTMA模型的有效性。与交互式情感分类模型IAN相比,METNet模型在给定数据集上的分类准确率平均提升了4.5%。与基于交替联合注意力的CoattentionMem Net模型相比,METNet模型在给定数据集上的分类准确率平均提升了4.1%。与使用定制属性表示向量的TNet-LF模型相比,GCN-TMA模型在给定数据集上的分类准确率平均提升了2.4%。与基于图卷积网络的ASGCN-DG模型相比,GCNTMA模型在给定数据集上的分类准确率平均提升了2.8%。