新时代下,信息科技快速发展,手机电脑等成了人们的必需品。网民规模持续激增,互联网成了网民们传递信息,进行交流的重要渠道。随着社交网站、电商网站等在线平台的发展,更是促进了网民们在平台上表达他们对某些人、事或物品等的情感。人们可以足不出户而知尽天下事,但部分网民们受到自身的习惯、认知、教育水平和综合素质等差异,对于某些比较片面的谣言,容易轻信从而进行传播。它们不能全面地看待问题本身,不能正确地认识到谣言传播给谣言涉及者、社会稳定等带来的巨大影响。因此,如何挖掘网民评论文本的情感倾向,促进经济增长、社会和谐稳定等,成为学术界和工业界普遍关注的研究问题。本文研究对评论文本进行分类,对不同类别的评论进行分析,识别出特定方面所表达的含义,提取其描述的情感特征,最终进行情感分类。方面级情感分析的主要难点在于如何训练出更能表达句子中词语语义信息的词向量,如何结合文本中的显式语义特征和隐含语义特征、方面词本身的特征,构建性能优异的方面级情感分析模型。本文对影响方面级情感分析的因素（位置信息、方面术语特征、词语语义特征等）进行充分考虑,提出了解决方面术语情感分析的多头自注意力和多级注意力网络模型。本文的主要研究内容如下:（1）结合BiGRU、多头注意力机制、自注意力机制、方面词信息和方面词与上下文间的位置影响向量,提出了位置增强的多头自注意力网络（PMHSAT-Bi GRU）。该模型不仅考虑句子之间的内部结构和方面词本身的信息,而且包含方面词与上下文之间的位置影响向量,该向量明确地表示了方面词和上下文之间的位置信息,能够弥补自注意力机制在计算时对方面词和上下文之间位置关系的忽略,同时保留自注意力机制计算的并行特性,提升模型的计算效率。（2）结合多级注意力机制、位置影响向量、方面术语特征和Bi GRU,提出了融合位置信息的多级注意力网络（PMAN）。PMAN模型利用Bi GRU分别对方面术语和上下文信息进行建模,利用方面术语中的不同词语来参与注意力权重计算,得到不同的位置上下文表示,利用位置上下文来计算方面术语中不同词语的注意力权重。同时,利用自注意力机制获取方面术语中的关键字信息,将其与上下文进行作用得到方面术语中关键字对上下文的影响,利用多头注意力机制学习不同句子不同的语义信息表示。（3）在国际语义评测组织Sem Eval公开的方面级情感分析数据集,即Sem Eval2014餐厅、Sem Eval2014笔记本、Sem Eval2015餐厅、Sem Eval2016餐厅数据集上进行了大量的实验,与经典的方面级情感分析模型进行了对比,验证了所提出两类方面级情感分析模型的有效性。同时,为了验证模型中新增的各个模块的作用,本文还将其逐一去掉,进行了消融实验,证实了新增模块是提出模型的有机统一体,增加的模块能够有效地提高模型的分类性能。