随着互联网被越来越多的人使用,互联网上存积了很多数据。商品评论,店铺评论等各种各样的评论文本充斥在网络平台上。这些评论文本的信息蕴含了很多有用的信息。因此从评论文本中分析情感的技术就显得尤为重要。传统的情感分析一般是粒度较粗的情感分析,但是粗粒度的情感分析已经不能满足人们的需求,而针对文本中特定属性的细粒度情感分析则能很好地解决这个问题。本文在之前的细粒度情感分析模型的基础上,对原来的模型进行改进,构建了两个深度学习的模型。本文的主要研究和改进如下:（1）为了解决传统的细粒度情感分析网络中忽视了位置信息以及句子中与方面词极性判断无关的词语干扰问题,提出了一个具有位置感知和交互注意力机制的模型PATT。模型利用句子中词语与方面词语之间的相对距离,构建了一个位置嵌入矩阵,并将位置嵌入矩阵与句子词向量进行融合,使得模型的输入具有位置信息,接着使用Bi-GRU对句子文本和方面词分别建模,利用双向注意力机制获取方面词中每一个词语与句子中其他词语的双向的注意力权重,而且引入了交互注意力思想,为词语分配不同的权重,以此来交互式学习词向量之间的依赖关系。最终的实验结果表明,PATT与现在的细粒度情感分析模型相比,准确率和F1值都有一定的提高,PATT在餐馆数据集上准确率为81.62%,而在笔记本电脑数据集上的准确率为74.97%。（2）在PATT模型中,当一个句子中出现多个情感方面或者多个观点时,注意力机制会容易受到文本中与无关情感信息的干扰,从而错误的关注了那些对方面词情感判断影响较小的词语,而且有时相对距离难以全面客观的体现句子中各个单词对方面词情感极性的判断的影响。针对这两个问题,在PATT模型的基础上进行改进,提出了DTGAT模型,该模型使用语法距离代替相对距离来获得更好地反映单词与方面词之间的相关性,同时设计了局部注意力机制和全局注意力机制,并且使用门控机制来动态的结合两种注意力机制,以提高注意力权重分配的准确性。实验结果表明,DTGAT在餐馆数据集和笔记本电脑数据集上的准确率分别达到83.22%和76.33%。