信息时代的发展,促进了网络评价的衍生。通过对网络评价不同方面的剖析,可以使商家获得相关销售产品的使用反馈等信息,促进商品的改进与升级。同时,用户在购买商品时,参考网络评价,也能针对性地挑选自己需要的商品。这就推动了众多研究者对于方面级短文本情感分类的研究,方面级情感分类成为了自然语言处理研究领域中一个热点问题。而评价文本存在口语化,错别字多等问题,给文本分类的语义分析带来了挑战。随着深度学习的发展,基于传统深度网络的方法,如RNN和LSTM等,广泛应用于方面级情感分类。但这些方法存在的不足主要有:（1）训练过程中可能出现梯度丢失和爆炸的现象;（2）无法对长句子进行语义训练;（3）无法高效、准确地提取文本中多义词的语义特征,致现有深度学习分类模型分类效果不好,泛化性差。因此,如何有效解决上述问题,提升方面级情感分类的准确性和泛化性,正受到学术界的广泛关注。本文首先分析了国内外方面级情感分类方法的现状和存在的问题,然后,提出了两种方案用于提升分类的准确率和泛化性。归纳起来,本文的主要贡献如下:1)针对现有的方面级情感分类模型存在准确率较低、特征提取能力较差等问题,提出一种基于BERT的交互注意力网络的方面级情感分类方法（A BERT-based Interactive Attention Network for aspect sentiment analysis,BIAN）。首先,利用BERT模型作为编码器来提取不同类型的上下文特征。然后,建立交互注意网络,学习上下文和方面词之间的交互注意。最后构造注意表征并输出分类结果。在多个数据集上的实验表明,BIAN可以提升方面级情感分类模型的性能。2)针对现有的方面级情感分类模型存在感知方面词能力较弱、泛化能力较差等问题,提出一种面向上下文注意力联合学习网络的方面级情感分类方法（Context-Oriented Attention Joint Learning Network for Aspect-Level Sentiment Classification,CAJLN）。首先,利用双向Transformer的表征编码器（BERT）模型作为编码器,将文本句子预处理成句子、句子对和方面词级输入序列,分别经过BERT单句和句子对分类模型,进行上下文、方面词级和句子对隐藏特征提取.再基于上下文和方面词级隐藏特征,建立上下文和方面词的多种注意力机制,获取方面特定的上下文感知表示。然后,对句子对隐藏特征和方面特定的上下文感知表示进行联合学习。采用Xavier正态分布对权重进行初始化,确保反向传播时参数持续更新,使CAJLN在训练过程中可以学习有用信息。在多个数据集上的仿真实验表明,CAJLN可有效提升短文本情感分类性能。3)实现了一个原型系统,以CAJLN模型为原型,用于对用户输入的情感语句进行情感预测。选用多类样本进行系统效果验证,实验表明,原型系统能根据用户输入的不同类别的情感语句进行情感预测,但针对口语化丰富的语句,可能会存在偏差。