方面级别的情感分析是自然语言处理领域内一项重要的任务。针对主体的不同属性进行情感分类,其目的是判别评论语句对不同意见目标的情感极性。当一个句子包含多个意见目标时,如何抽取各个意见目标,并正确匹配其情感触发词是该任务的关键。解决文本中长距离非近邻词模型的序列表示问题,过滤非相关项,克服“过拟合”现象,正确关联意见目标及其触发词,是本课题的重点研究方向。本文针对上述问题,对情感分类任务中方面抽取的主要方法进行了本地化实验,搭建了基于句法依存结构的图卷积网络和图注意网络进行方面的情感分析。本文的主要贡献如下:第一,对情感分类任务中的方面抽取机制进行了调研性复现,并在原有词嵌入分类的基础上,添加了数据集的结构信息,通过双嵌入机制实现了方面词和意见词的匹配和抽取,证明了引入注意力机制能够优化方面词、意见词的抽取和匹配。第二,在方面的情感分析任务中,针对模型的序列表示问题,本文设计并实现了基于句法树的图卷积网络来建模不同方面词与对应上下文信息,引入句法信息,根据节点的关联性为句子中的各部分文本分配权重。实验证明了图卷积网络与句法树的组合能够较好地关联长距离非近邻词,识别方面词情感极性的效能得到提升。第三,针对图卷积网络不能建模多跳节点信息的问题,本文设计并实现了引入高阶语义信息的图注意网络,在原有的图卷积网络中引入选择性注意力机制,搭建多头图注意网络,对句子中的高阶语义信息进行显式建模。该方法取得了较好的实验结果,减少了模型训练过程中“过拟合”问题的出现。