随着互联网技术在日常生活中的广泛应用,网络已经成为人们获取数据,分享信息和情感交流的重要途径,为了帮助用户获得更踏实的消费体验,帮助商家不断改进自己的服务,方面级情感分析技术应运而生,即识别评论实体的多个属性及其情感极性,如识别出对笔记本键盘,内存,屏幕等的评价。本文针对SEMEVAL历年比赛数据,主要研究评论对象抽取(Opinion Target Expression Extraction),评论范畴识别(Aspect Category Identification)以及面向评论范畴的情感分析(Category Based Sentiment Analysis)。采用条件随机场模型(CRFs)识别评论对象,提出了两种特征提取方案,分别为评论对象语义特征和句法情感依存特征,特征组合既体现了对评论对象语义的理解,同时挖掘了评论对象与评价词之间的潜在句法关系,特征组合的F1分数优于SEMEVAL比赛最好成绩。在评论范畴识别任务中,采用双向长短记忆模型(Bi-LSTM),直接将前向LSTM和后向LSTM最终的向量表示结合,在简化传统模型超参数的同时,提升非海量数据上的识别效果。在面向评论范畴的情感分析任务中,提出基于注意力机制的Bi-LSTM。首先,利用Labeled LDA对评论数据进行主题分布分析,得到不同范畴下的词语分布,作为模型词嵌入的补充特征,使输入表示更贴合领域数据。其次,利用不同词语下的主题分布表示给定范畴信息。最后将注意力机制作用在给定的范畴信息上,提高情感分析的准确率。