随着Web2.0的发展以及社交网络的兴起,越来越多的用户乐于在线发表对于某件产品、某个公共事件的评论,这些评论数据包含了大量的情感信息,具有极大的挖掘价值。然而评论数据往往是大量的,阅读并且总结这些数据会花费用户大量的时间。情感分析（Sentiment Analysis,SA）是一种自动化的、具有分析数据中隐含的情感信息能力、并且为用户提炼出情感倾向的工具。传统的情感分析的目标在于为每个文档、段落或者句子分配情感极性,而这样的方式只能为用户提供一个整体的情感倾向,而方面级情感分析（Aspect-based Sentiment Analysis,ABSA）能够对句子中的实体或者属性进行情感分析,是一种更为细粒度的情感分析,因其能够提供更加丰富的信息,得到了大量学者的关注。本文主要关注基于深度学习的ABSA问题,针对该研究内容存在的一些问题,尝试提出高效的解决方案。首先,当前的深度学习模型的输入往往是已预训练完成的词向量,现有的常用的词向量基于统计信息建模,而在SA中,情感信息对于分类结果的准确与否有着重要的影响,情感信息决定着句子或者段落的情感倾向,因此将情感信息编码到词向量中能够使得词向量具备一定的情感表达能力,从而提高模型分类准确率。因此本文提出情感词向量。首先利用情感词典、Word Net和负采样技术构造近义词-非近义词语料库,然后构建一个简单的三层预训练模型对现有的词向量进行微调（在已有的参数的基础之上使用数据集对参数进行少量的调整,以期得到更好的效果）。情感信息在模型微调过程中被编码到词向量之中,经过微调后的词向量即为本文得到的情感词向量。实验结果表明,与未将情感信息编码的词向量相比,情感词向量具备更强的文本分类能力。其次,根据基于注意力机制建模的Transformer、Bert等模型在自然语言处理上的优异表现,本文认为注意力机制在ABSA中存在巨大潜力,因此提出基于多头注意力机制的方面级情感分类模型。注意力机制能够有效的利用方面词信息和文本之间的关联信息,使模型能够知晓当前分析的实体或者方面,从而进行更加精准的分类;而多头注意力机制在此基础之上扩展了单个注意力机制的关注视野,使得模型能够关注到句子中更多的单词,从而达到更好的分类效果。实验结果表明,与一些先进的模型相比,本文提出的基于多头注意力机制的方面级情感分类模型具有更快的运行速度,同时保持了模型的分类能力。