近年来,互联网大数据发展十分迅速,自媒体平台和各类在线购物网站上均出现了大量的带有用户情感的在线评论。这些评论文本数据蕴含着大量的情感信息,不仅可以帮助商户挖掘出用户对商品或服务的情感倾向,还可以作为商品性能与质量提升的依据。文本情感分析是自然语言处理领域里一项重要的研究课题,具有广泛的应用前景。文本情感分析按粒度属性可分为篇章级、句子级和方面级三类。与篇章级和句子级别情感分析任务相比,方面级情感分析任务具有更加细粒度的信息,一般体现为用户对商品的某一方面做出的情感评价。这些评价信息可以为商户指明更为细致的商品性能提升与服务推送的方向和思路。因此,方面级情感分析任务具有更高的研究价值和商业价值。方面级情感分析任务是判断输入文本中给定方面的情感极性,目前常见的方法为使用神经网络对输入句子进行编码,并提取方面词与上下文情感词关系,根据相关情感词得出评论针对特定方面的情感判断。但是大多数已有模型只注意到句子中单词之间的上下文位置关系,导致长距离非临近的词的匹配效果不理想,且忽略了句子的语法结构,无法体现文本语法结构特点。另外,解决方面级情感分析问题的方法多利用神经网络,其本身会存在对训练标记数据的质量和数量上的依赖问题,在缺乏训练数据或标注不够理想时,神经网络会往往表现不理想,甚至不够健壮和稳定。基于以上背景和问题,本文提出结合数据增强与图神经网络进行方面级情感分析。本文主要研究内容如下:（1）本文提出了结合对抗训练与关系图注意网络模型（RGAT-BAT）用于方面级情感分析。关系图注意网络具有多层体系结构,每一层都使用近邻的特征编码和更新图中节点的表示。在语义语法树结构上利用关系图注意网络,可以有效地利用句子语法信息和单词依赖。在利用语法信息的基础上,集成依赖标签本身的信息,可更准确地捕捉单词之间的关系,有效地解决长距离非临近的词的匹配问题。对抗训练属于数据增强技术的一种,可以在模型训练中动态地从以前标记的数据创建新的训练数据,且能够通过扰动神经网络的手段训练,提高对恶意样本的抵抗能力,增强神经网络的健壮性与稳定性。同时,对抗训练也是一种正则化方法,可以解决过拟合问题,提升模型泛化能力。（2）本文提出结合Mixup与关系图注意网络的模型（RGAT-Mixup）。使用Mixup技术结合关系图注意网络进行方面级文本情感分析。Mixup技术是数据增强方法中扩展较小数据集的有效工具,其可用于匹配深度学习模型所需的标记数据量,在有限数据量情况下提升模型性能。采用Mixup结合关系图注意网络有助于减少模型开发的成本,解决标记数据数量不足的问题,同时可保证模型性能。本文提出的模型,在Sem Eval 2014-Task4 Restaurant、Sem Eval 2014-Task4Laptop和Twitter评论数据集中进行了实验验证。实验结果表明,本文的方法可有效地提高方面级情感判断的准确性和神经网络的稳定性。