随着互联网技术的快速发展,各种社交平台和电商平台也应运而生,极大地拓宽了人们的言论空间,产生了带有情感倾向的海量文本数据。对这些文本数据进行情感分析,对社会和商业等领域有重要意义。方面级情感分析旨在识别一句话中不同目标实体的不同情感倾向,具有重要研究价值。论文首先利用集成标注策略,将实体标签与情感极性标签融合,将方面级情感分析任务定义为序列标注任务,实现端到端的方面级情感分析;针对端到端模型中缺乏文本间交互信息学习的问题,在Bi LSTM-CRF框架基础上引入多头注意力机制,利用多头注意力构造不同子空间加强模型对句子内部结构的学习,增强模型聚焦不同语义信息的能力。其次,为了加强目标实体识别与情感分析任务之间的依赖关系,提出基于注意力机制的层次双向长短期记忆网络模型（Att-HLSTM）,利用残差连接方式建立层次神经网络,使底层的目标实体边界预测结果作用于上层神经网络学习,添加门机制进行情感一致性优化。此外,目前中文方面级情感分析任务研究不足,中文复杂的语言特点制约了中文情感分析任务的发展。论文在实验中添加中文数据集,分别对英文和中文进行实验。针对中文字词特点,提出基于词边界的词汇增强方法,将潜在词语信息与字词位置信息进行规则整合,通过提高模型输入表示的信息量提升模型效果。最后基于论文提出的模型,设计并实现一个方面级情感分析系统,完成对在线电商中文评论的目标实体识别及情感倾向判断,证明了利用集成标注策略的端到端模型的有效性,为进一步挖掘消费者评论的信息价值提供了帮助。实验结果表明Att-HLSTM模型在中英文数据集上相较于基线模型均取得了最优效果,英文数据集的F1值分别达到了58.19%、68.70%,中文数据集F1值达到了66.16%,使用论文提出的词汇增强表示方法相较于基线模型F1值得到了4%的提升。