随着web2.0的出现和发展,用户可以自由地在各种电子商务平台和社交网络上发表自己的观点。用户在针对实体发表自己的看法时,除了会在评论中给出总体评价外,通常会针对该实体的具体方面发表自己的观点。这种针对方面的情感极性可以帮助其他用户做出明智的决策,也可以帮助商家改善自己的服务。因此,如何从海量评论中挖掘出用户评论对于特定方面的情感极性成为一个重要的课题,方面级情感分类成为自然语言处理领域的研究热点。本文基于Sem Eval系列数据,构建了基于深度学习网络的新型方面级情感分类框架,以实现预测用户对于评论指定方面的情感极性的研究目标。本文的工作主要包含以下三个方面:(1)评论数据预处理和单词矢量的获取。我们对语料库中的评论数据进行分词操作,由于评论中的数字对于情感分类作用甚微,因此我们去除了评论中的数字,并将标点符号与单词分开。此外,因为不同领域的情感词可能具有不同的情感极性,所以我们使用Glo Ve算法在两个特定领域的语料库上训练了维度为100的单词矢量,并且为了解决稀有词向量空缺的问题,我们使用Char-CNN获取单词的字符级向量表示,从而得到更精准的评论矢量表示。(2)本文利用注意力机制思想,针对Sem Eval系列数据集中包含方面的评论数据设计了一个方面级情感分类模型。首先,通过Glo Ve模型获得的词嵌入和基于Char-CNN模型获得的字符嵌入共同构建网络的输入数据——上下文嵌入。其次,通过intra-attention模块来捕获每个单词之间相关的情感特征。然后,在inter-attention模块中使用方面-情感对注意力来表示特定方面信息和情感特征下文档的情感特征,从而得到评论文本关于给定方面最终的矢量表示。最后,基于得到的评论的最终矢量进行方面级情感分类。(3)我们对提出的模型在真实评论语料库上进行了实验。首先,我们使用Keras搭建了我们的网络框架,并对网络中的参数进行了整定。在确定了实验的参数设置之后,本文选择了5个经典的算法作为对比实验,在4个数据集上进行了大量的实验,对比本文提出的算法与基准算法在情感分类准确度上的区别。在四个真实的数据集上进行的实验表明,我们提出的模型在预测准确度上优于基准算法。