近年来,随着互联网普及率的上升和网民规模的持续增加,基于互联网的产业模式迅速发展,同时自媒体的发展使得每个人都是信息传播的主体,越来越多的人在网络上发表自己对于产品、服务等的态度或者情感,积累了大量含有个人观点的在线评论。这些在线评论不仅数量众多、风格多样,而且都是非结构化的文本数据,仅靠人工处理要花费大量精力和时间,其他用户想要了解评论全局概况是比较困难的。所以,对在线评论数据进行情感信息提取,判断人们对产品、服务等的评判态度,确定用户评论的侧重点和情感倾向具有十分重要的意义。基于此背景,本文以用户在线评论为研究对象,对文本情感分析中的两个子任务—方面提取任务和特定方面的情感分类任务进行研究。首先,针对方面提取任务,提出了基于两种嵌入表示和门控神经单元的方面提取方法。该方法在通用领域词嵌入表示的基础上,考虑到来自不同领域的数据集其数据具有不同的语义表示,从而引入特定领域的词嵌入表示,有效解决了评论中语义信息提取不足的问题。此外,该模型在门控神经单元的基础上,进一步引入注意力机制增加了文本中与方面词相关的词语的权重,从而提高了方面提取的性能。其次,在特定方面情感分类任务中,针对上下文位置信息和方面短语建模不准确的问题,提出了一种层次网络模型用于特定方面情感分类。首先将方面短语中每个词的词向量相加求平均,作为方面的向量表示,然后将其与评论文本中每个词的词向量进行拼接,分别通过词语级和句子级的长短时记忆网络,获得序列的隐层表示。同时结合评论序列中每个上下文词的位置信息计算词的注意力权值大小,获得了更好的特征表示。最后通过实验也证明了该方法较其它层次网络其性能有一定提升。最后,为了解决特定方面情感分类任务中忽略方面短语和上下文之间的交互以及方面短语的建模问题,提出了一种交互注意力网络模型用于特定方面情感分类。该方法利用三个双向的长短时记忆网络分别对上文、方面短语和下文这三部分文本进行建模,得到各自的隐层特征表示,然后结合交互注意力机制分别计算了在方面短语的影响下上文和下文的特征表示以及在上下文影响下的方面短语的特征表示。实验结果也证明了该方法在特定方面情感分类问题中的有效性。