随着信息技术的快速发展,在互联网上发表评论已成为人们表达观点传递经验的重要途径。这些评论数据大都包含了用户对某个实体的观点和情感倾向,通过对这些评论数据进行情感分析,快速了解用户的观点和态度,不仅可以为商家或客户提供更丰富更有价值的信息,而且可以及时阻止恶性事件的发展,继而造福社会和民众。但传统的情感分析只能挖掘出用户对某个实体整体的情感态度,而无法对实体中不同属性或方面的情感进行分析。因此,为了进行更完整的情感分析,需要发现评论数据的不同方面对象,并确定评论针对每个方面所表达的情感态度,这就是方面级情感分析。方面级情感分析是自然语言处理中的多粒度任务,目前许多研究人员对方面级情感分析展开了研究。近年来,随着深度学习的快速发展,因不需人工构建特征工程、自动化程度高的特点逐渐被应用在越来越多的领域,在方面级情感分析任务中也取得显著的效果。但目前大多研究方法集中在对目标方面进行情感极性判断上,而忽略了对方面项抽取的重要性,同时也很少关注面向中文数据的方面级情感分析。因此,为了更好的完成方面级情感分析任务,本文针对这些问题,开展了基于深度学习的网络评论方面级情感分析方法的研究,尝试给出有效的解决方法。本文主要包含以下几个方面的工作:1.构建一种基于深度学习的网络评论方面级情感分析框架。该框架包括网络评论获取模块、网络评论预处理模块、方面项抽取模块、方面级情感分类模块和测试模块共五个模块。各模块分别给出网络评论获取、网络评论预处理、方面项抽取和方面级情感分类相关的方法。2.给出一种利用爬虫技术的网络评论获取方法。该方法通过采用Selenium和Chrome Driver模拟用户使用浏览器直接进入到一个指定的网络页面,利用文档对象模型对页面进行解析,同时利用XPath定位到网络评论正文的数据标签,并在搜索和爬取的过程中不断地改变其浏览深度,以获取足够多的评论数据。对于获取的评论数据,使用正则表达式进行清洗,提高数据的完整性和可用性。3.给出一种基于序列标注的方面项抽取方法。序列标注使用B、I、O标签对原始数据进行标注,将标注为B或I的词或词组视为将被抽取的方面项。该抽取方法先利用双向门控循环单元来构建初始的上下文语义表示,再利用截断历史注意力用于将获得上文已经标注过的属性信息来指导下文的属性标注和每个词以及位置感知注意力在考虑单词之间相对位置的同时,计算单词间的相关性,最后结合这两种特征信息共同来预测序列的方面标签。同时针对序列标注中的B、I、O类别不平衡的问题,本文选再利用截断历史注意力用于将获得上文已经标注过的属性信息来指导下文的属性标注和每个词以及位置感知注意力在考虑单词之间相对位置的同时,计算单词间的相关性,最后结合这两种特征信息共同来预测序列的方面标签。用Focal＿loss作为损失函数,赋予标注为[B,I,O]的词相应的权重,从而对需要抽取的内容进行重点学习。4.给出一种结合方面局部信息和多头自注意力网络的方面级情感分类方法。该方法利用局部上下文关注机制注意文本中不同的方面可能会存在不同的情感倾向并减少远离目标方面的上下文可能会对其产生的负面影响,接着使用多头自注意力机制有效捕捉句子内部结构和上下文依存关系,使得分类器可以解释一个句子中的不同部分,同时一个过滤门被用来删除与当前方面无关的上下文词。最后采用定向注意力机制进一步对序列中的特定方面与情感信息进行语义建模,从而实现对目标方面的情感极性分析。同时,微调技术被用来训练神经网络的参数,交叉熵损失函数用来避免过拟合问题,以此来提高分类器的训练效率。5.给出对比实验和分析。先对实验所采用的国际语义评测组织公开的英文数据集和通过爬虫技术获取的中文数据集、开发环境以及评价指标进行简单介绍;然后通过对比实验来分析本文给出的方面项抽取方法和方面级情感分类方法与目前主流方法的效果。实验结果表明,与目前主流的方法相比,本文给出的方面项抽取及分类方法性能更优,在各实验评价指标上都有一定程度的提升,充分说明本文给出方法的准确性和有效性。通过多组对比实验的结果表明,本文给出的方面项抽取方法及分类方法能够较好地提升方面级情感分析的性能,同时也能让用户或商家更全面、直观的了解网络评论细粒度的情感表达,从而迅速把握民情,为政府或企业提供决策依据。