情感分类是自然语言处理领域内的基本任务之一,情感分类又分为粗粒度和细粒度情感分类。随着时代的发展,粗粒度情感分类已逐渐无法满足人类的需求,所以细粒度情感分类逐渐成为了研究重点。细粒度情感分类又称为方面级情感分类,旨在判断句子中某个具体方面的情感极性。本文的核心研究内容就是使用基于深度学习的方法进行方面级情感分类。本文的主要创新与工作如下:（1）大多数基于传统的循环神经网络和注意力机制的方面级情感分类模型无法完整地提取文本的语义特征,其次忽略了上下文与方面词之间的交互信息。针对以上问题,本文提出了一种基于双向长短期记忆网络（Bi LSTM）和交互注意力网络（IAN）的模型（Bi LSTM-IAN）。该模型首先使用Bi LSTM分别提取上下文和方面词较为完整的语义特征;然后使用两个注意力机制构建交互注意力网络,用于学习上下文与方面词之间的交互信息。实验结果证明Bi LSTM-IAN模型能有效提升分类效果。（2）Bi LSTM-IAN模型中的注意力机制可能会给上下文中的重要情感词分配过低的权重,其次上下文与方面词之间的交互信息学习得不够充分。针对以上问题,本文提出了一种基于词级交互注意力机制（WIAM）的模型（LAR-WIAM）。该模型首先改进了传统的输入方式,将句子划分为包含方面词的上文、方面词和包含方面词的下文作为输入,以便后续能给上文或下文中的情感词分配足够的权重;其次提出了词级交互注意力机制,能够更充分地学习上文与方面词、下文与方面词之间的交互信息。实验结果证明LAR-WIAM模型能进一步提升分类效果。（3）虽然LAR-WIAM模型取得了较好的效果,但是和大多数模型一样都没有考虑上下文单词与方面词之间的句法依存信息。针对以上问题,本文提出了一种基于双向图卷积网络（Bi GCN）和词级交互注意力机制的模型（Bi GCN-WIAM）。该模型改进了传统的无向图卷积网络,提出了能感知句法依存树中方向信息的双向图卷积网络,用于提取上下文单词与方面词之间的句法依存信息。在Bi GCN层之后通过掩码层获得特定方面词表示,最后使用词级交互注意力机制充分学习上下文与方面词的交互信息。实验结果证明Bi GCN-WIAM模型能更进一步提升分类效果。