随着网络的普及以及智能设备的广泛使用,海量关于各种事务的文本评价存在于网络当中,并且随着时间的递增,文本的数量也在呈指数形式爆炸增长。这些海量的评价文本蕴含着更加深层次的意义,也就是说这些文本包含着发布者对于一些事情和物品的真实看法和评价,并且随着文本数量的增加,这些文本所整体呈现出的对于事物的情感倾向也就越加真实。基于以上的真实情况,对这些文本进行分析是极具价值的一种行为。因为不管是对于商家根据客户制定最佳的营销策略还是根据用户对于商品的情感倾向决定是否改进商品,又或是帮助政府部门进行舆论监管,防止舆论爆炸都有着十分重要的辅助意义。因此近些年来大批的人才投身到这个领域,并且取得了众多傲人的成绩。并且随着现实精度要求的不断提高,方面级情感分析也应运而生。本文提出了一种基于GPT和双向GRU网络的方面级情感分析模型。文本的词嵌入方式对于深度学习模型的效果有明显的影响,为了增大词嵌入方式对于模型效果的正向影响,近些年来出现了大量的词嵌入方法。在现阶段比较常用词嵌入方法中,基于词向量的固定表征如Word2vec、Glove不能解决一词多义的问题,为了取得更好的效果,在本文中选用基于词向量的动态表征方法作为词嵌入方法。基于Transformer的GPT预训练模型作为一种词向量的动态表征方法可以很好的解决一词多义的问题,并且能够更好的提取文本的上下文语义特征。为了让词向量具有更加丰富的语义,在本文中采用了GPT加方面编码的方式。在获取到词向量后我们将其输入到多层的带有注意力机制的双向GRU网络中。相对于只是单向的从前往后输出的神经网络,双向GRU网络能够建立起当前时刻的输出与前一时刻以及后一时刻的联系,这样就可以获取文本的深层次特征,并进一步使重要信息更加突出。最后在输出层将利用Softmax函数进行分类,得到情感分类的最终结果。本文实验所采用的数据集是在方面级情感分类中比较经典的三个数据集,分别为Restaurant、Laptop以及Twitter数据集。这三个数据集是运用于方面级情感分析的标准数据集,十分符合我们当前的实验需求。在文中的实验部分首先对于几种词嵌入模型在Laptop数据集上进行了实际的实验对比,实验结果充分证明了GPT的优越性。其次我们将这三个数据集在本文的方面级情感分析模型上进行试验,经过实验结果的对比,相较于其它模型本文中的模型在效果上有不同程度的提升。最后为了使得模型的性能达到最好,同时也是为了验证超参数对于模型的重要性,在实验中还对模型的超参数进行了优化。