随着信息技术的飞速发展和网络新时代的来临,现代人的日常生活与网络息息相关,越来越多的人因为电子商务平台和社交网络平台而发生了改变,同时人们每日都会在网络上留下大量的评论,如何有效的分析出情感倾向具有非常重要的意义,情感分析应运而生。情感分析是在挖掘大量互联网文本的基础上对观点持有人的立场和情感进行分析。情感分析的工作主要集中在三个方面,文档级别情感分析、句子级别情感分析和方面级别情感分析。由于文档级别和句子级别的情感分析是一种粗粒度的研究方法,忽略了情感表达往往附着在一个具体目标上的事实,导致情感预测的偏差,因此本文旨在研究目标依赖的情感分析方法。本文主要做了三个改进:首先进行基于层级神经网络的文本语义分类方法研究,通过对文档级文本的层级分析,达到文本语义分类的目的。然后,进行基于层级神经网络的目标依赖情感分析研究,通过学习目标信息来研究情感倾向,证明目标依赖情感分析研究比文本语义研究更有针对性并起到更好的分类效果。最后,进行基于层级神经网络的方面信息融合和位置信息引入的情感分析研究,通过更深入的研究目标方面信息并引入位置编码来进行情感分析。本文所研究的工作主要包括以下内容:第一,进行基于层级神经网络的文本语义分类方法研究,提出了用于文档语义分类的层级注意力机制网络模型(HBLSTM-ATT)。该方法编码了句子的语义及其与文档表示的关系,进行情感分析并训练。通过在四个最常用的评论数据集上的大量实验,证明了该方法的有效性。第二,进行基于层级神经网络的目标依赖情感分析研究,提出了用于目标依赖的层级神经网络模型(HTAS-BiGRU)。该模型的关键思想是学习句子的目标信息以帮助捕获句子的情感,提高目标依赖情感分类的性能。此外改进的层级注意力机制模块包括目标信息注意力机制和情感信息注意力机制。大量的实验结果表明,本章的模型获得了更好的情感分类性能。第三,进行基于层级神经网络的方面信息融合和位置信息引入的情感分析研究,提出了加入位置编码的层级内容注意力机制网络模型(HCAN-PE)。本章提出的模型由层级内容注意力机制组成,层级内容注意力机制部分包括单词-方面注意力机制融合层和句子级别注意力机制层。为了充分利用句子中单词的顺序和排列,增加了由单词位置编码和句子位置编码组成的层级位置编码方案。此外,本章提出的单词与方面词融合的注意力机制解决了单词之间由于朴素级联造成的模型训练复杂和冗余的问题,使得方面级别情感分析更灵敏有效。大量的实验结果证明本章的方法取得了最好的实验效果,同时做了详细的关于注意力机制的可视化研究。