随着信息技术的快速发展和5G时代的到来,每天都有大量的用户在微博,Twitter和淘宝等平台上对于某个事件或者某些产品发表评论。然而,传统的情感分析方法的对象通常是整篇文章、段落或者句子。这类方法在信息多元化的今天已经不能满足对具体事物进行情感分析的实际需求。方面级情感分析能够实现对评论文本中的不同方面进行情感极性判断,它可以为政府、企业、消费者提供全面且科学的决策依据,因此受到了广泛的关注。方面级情感分析的方法通常建立在深度学习的模型之上,尤其是循环神经网络,因为这类深度学习模型可以更加丰富地表达文本信息。但是在已有的方法中仍然存在一些问题。第一,在上下文编码阶段没有充分利用上下文相对于方面词的位置关系信息,这可能会导致对上下文的语义表示不够丰富。第二,在对方面词进行文本表示时,采用平均池化的方式忽略了方面词中各个单词之间的内部联系,可能会导致语义丢失或者语义错误等问题。第三,忽略了上下文与方面词之间的相互关系,部分工作虽然考虑了这种相互关系,但是它采用整体编码的方式来挖掘这种关系,在一定程度上会造成信息丢失。针对这三个问题,本文提出一个融合位置信息和注意力网络的情感分析模型（Sentiment analysis model combining position information and attention network,PAN）,在PAN模型中设计了三个模块分别来解决这三个问题,本文的工作主要有以下几方面:1、在PAN模型中设计位置权重模块来丰富上下文的文本表示。通过在上下文的隐层信息中嵌入位置权重模块,为距离方面词相对较近的单词分配更大的权重,为距离方面词比较远的单词分配较小的权重。2、在PAN模型中用自注意力机制模块对方面词单独进行编码来使得方面词的表达更能突出中心词的含义。当方面词中的单词个数大于一时,我们通过自注意力机制计算每个单词的权重,以此来更新方面词的表示。3、在PAN模型中提出双边层次注意力网络（Bi-hierarchical attention network,BHAN）模块,充分利用方面词与上下文之间的联系。将上下文分为方面词左侧和右侧两部分,实现了从更细粒度的角度利用注意力矩阵来更新左右两侧上下文和方面词的文本表示的目的,为情感分类任务提供更多的有效信息。4、本文在公开数据集Sem Eval-2014 Task 4和ACL 14 Twitter上将提出的PAN模型与多个现有的情感分析方法进行对比实验。实验结果表明本文提出的PAN模型达到了更高的准确率。同时,我们也设置了消融实验验证了PAN模型中的位置权重模块、自注意力机制模块和双边层次注意力网络模块的有效性。