随着电子商务,评论网站,社交网站等的发展,用户在网络上创造了大量的文本。这些文本数据存在着巨大的商业价值,通过对这些文本进行方面级情感分析,可以更加细粒度地了解用户对产品,实事等的看法,从而为商家等提供更好的决策依据。完整的方面级情感分析包含两个子任务,即方面提取和文档级多方面情感分类。前者从文本中提取出用户评价的对象,即方面,后者分析用户对于这些方面的情感。本文提出两种以注意力机制为基础的深度神经网络分别实现无监督的方面提取和弱监督的文档级多方面情感分类。针对方面提取,本文提出了一种基于语言学注意力机制的模型(Linguistic Attention-Based Model,LABM),以充分利用方面指示词的语言学知识。LABM首先找到文本中的方面指示词,然后利用语言学注意力机制确定每个指示词的权重并加权得到方面的向量表示。本文还提出了一种无监督训练方法——分布式方面学习(Distributed Aspect Learning,DAL),避免了对人工标注语料的依赖。DAL的核心思想是与方面指示词相关性最高的名词的词向量应该和方面的向量表示比较相似。在六个用户评论数据集上的实验结果表明,基于DAL训练得到的LABM不仅超过了基线模型,而且具有较强的可解释性。针对文档级多方面情感分类,本文提出了一种多样化的多实例学习网络(Diversified Multiple Instance Learning Network,D-MILN)。该网络仅依赖于文档级的情感标注去学习方面级的情感分类器,因此大大减少了人工标注语料所需的花费。在D-MILN中,文档级的情感分布由该文档中方面级的情感分布通过注意力机制加权组合得到。通过文档级监督信号的反向传播来学习方面级的情感分类器。但是,方面级情感分类器在这种间接监督的指导下会对文档级信号过度拟合。为解决此问题,本文进一步提出了两种多样化正则,其中文本多样化正则鼓励分类器选择与给定方面相关的文本片段,而情感多样化正则允许方面级的情感与文档级情感有所不同。实验结果表明,D-MILN能够充分利用文档级的监督信号并避免对其过拟合。基于方面提取和文档级多方面情感分类的研究成果,本文设计并实现了方面级情感分析原型系统。针对用户输入的一段文本,该系统从文本中提取出不同的方面,并判断用户对这些方面的情感。同时该系统实现了注意力机制的可视化,增强了模型的可解释性。