随着互联网的高速发展和用户反馈系统的日益完善,细粒度情感分析在电子商务和社交媒体领域发挥着越来越重要的作用。方面级情感分类作为细粒度情感分析中一项关键任务,可以确定文本中方面词的情感倾向。目前对方面级情感分类的研究聚焦于使用注意力机制神经网络,通过获取文本序列中不同单词的重要程度来重点关注评论中的情感词,但是这类方法只获取到文本情感信息而忽略了方面词相关信息,因而会导致评价词和方面词的错误匹配问题。为解决此问题,本文提出一种融合词性、方面、位置等辅助信息,并具有句法感知能力的图卷积记忆网络模型。首先,为更好地在情感分类任务中表示文字特征,通过文本表示层获取词嵌入中的语义和语法信息,并融合词性和方面词信息辅助表示自然语言。其次,在语义学习层使用双向循环门控单元提取上下文抽象特征,并在位置记忆层中存储词汇的位置信息。再次,将文本的句法依存树作为图卷积神经网络的输入,通过句法信息学习到词汇之间的依赖关系。最后,使用情感注意力层筛选出句子中与方面词相关的情感词,辅助情感分类层判断文本情感倾向。图卷积记忆网络的目标函数选用交叉熵损失,并使用准确率和宏平均F1值作为模型主要评价指标。为验证模型有效性,实验分别在Sem Eval-2014的Laptop、Restaurant和Twitter三个细粒度情感分类公开数据集上进行,在Laptop和Restaurant数据集上,图卷积记忆网络模型的准确率比长短期记忆网络模型性能提升5～10%左右,Twitter数据集上宏平均的F1值超过了70%。实验结果证明,本文提出的图卷积记忆网络模型能够处理句法结构复杂的方面级情感分类,同时有效地解决了评价词与方面词的错误匹配问题。该论文有图24幅,表12个,参考文献75篇。