随着意见挖掘和情感分析在学术界和工业界受到广泛关注,以及诸如Jingdong和Taobao等电子商务的日益普及,产生了大量的用户评论文本,为科学研究带来了宝贵的资源。这些海量的评论文本中,包含了用户对商品、服务等表达的观点,这些评论信息能够成为生产者提高产品、服务质量的宝贵资源,具有非常大的商业价值。然而评论数据的指数级增长,导致人工无法从海量的数据中获取到有用的信息。已有的研究表明,基于深度学习的情感分析任务能够有效的从文本中提取给定方面的情感,从而提取到用户所需的信息。本文主要研究情感分析任务中的方面级文本情感分析任务,它是一种细粒度的情感分析任务,目的是提供比传统情感分析任务更详细的用户反馈信息。根据应用场景与评论数据特点,着重从评论数据展开研究,主要研究内容和贡献如下:1、针对在方面级文本情感分析中,因方面特征提取不准确而导致的情感预测错误问题,引入情感类别特征,从方面引导情感和情感引导方面两个方向,交互的学习方面与情感之间的潜在联系。提出了一种基于协同提取层次化注意网络的方面情感分析方法,在方面注意层不能准确提取不常见的方面特征时,可以根据给定方面情感类别准确的识别出用户所表达的情感。实验证明,这种协同提取的方式能够更好的学习方面特征与情感特征之间的潜在联系,并能减少因方面特征提取错误而导致的情感误判。2、引入注意力机制会使评论句子中各个单词或多或少都会分配一些注意权重,但是只有有限的几个单词与任务相关,这就是注意力机制的固有噪声。因此本文在1中层次化注意网络的基础上引入稀疏正则化机制,使注意权重的分配更加稀疏,让注意权重的分配集中在少数几个与任务相关的单词上,从而在一定程度上缓解注意力机制的固有噪声。此外,本文还进一步扩展多任务学习,将方面检测任务作为辅助任务来优化损失函数,加快反向传播求解过程提升模型性能。实验结果证明本文提出的基于限制性层次化注意网络的多方面文本情感分析方法取得更好的效果。3、从数据的角度出发,发现在评论数据中一个用户评论往往包含对多个方面的观点,且多个方面情感之间会用一些连词连接,它们之间的情感极性具有依赖性。而且不同方面的方面词之间具有不相关性。因此本文在2的基础上引入正交正则化来限制注意权重的分配,让不同方面的注意权重关注句子不同的部分,从而能够更准确的提取方面特征。对于情感依赖性,本文把从句子中提取到的不同方面的情感特征按顺序输入一个Bi-LSTM中,去学习它们的情感依赖。这就是本文提出的一种基于方面敏感的层次化注意网络的方面级文本情分析方法。在Sem Eval数据集上的结果也证明了本文方法的有效性和可靠性。综上所述,本文使用深度学习方法,着重研究了基于协同提取层次化注意网络、限制性层次化注意网络和基于方面敏感层次化注意网络的方面级情感分析技术。这些技术和研究成果能够更好的帮助用户从海量的评论文本中,准确快速的识别出用户所提及的方面和所表达的情感,对产品的更新和推荐起到了至关重要的作用。