随着数字技术的快速发展,微博、淘宝、京东等平台上评论呈爆发式增长,并大致可分为2类:单实体多方面的评论类文本和多实体多方面的经验分享类文本。商家研究这些文本将有益于更好地了解和服务大众,因此进行情感分析研究是十分必要的。本文将基于深度学习的方法对这两种不同类型的文本进行方面级情感分析和多实体方面级情感分析,主要工作与创新如下:（1）针对现有的依存树修剪方法存在删除部分有用信息的问题,以及图卷积网络无法获取图结构中丰富的全局信息问题,本文提出了基于多头自注意力的图卷积网络（MSGCNs）模型。该模型首先通过多头注意力机制自动学习如何有选择地关注对分类任务有用的结构信息,将原始依存树转变为完全连接的边加权图;其次将紧密连接引入图卷积网络中,并结合修剪后的依存树,使图卷积网络能够捕捉丰富的局部和全局信息。实验结果表明本文提出的依存树修剪策略和GCN改进方法有效提高了分类效果。（2）针对MSGCNs模型只考虑句法结构信息而忽略原文中序列信息的问题;其次现有方法捕捉语义和结构信息不充分的问题,本文提出了基于深度BiLSTM（DBiLSTM）和紧密连接的图卷积网络（DDGCN）模型。该模型首先通过DBiLSTM获取方面词与上下文单词间的深层语义信息;然后利用引入紧密连接的图卷积网络捕获依存图上的结构信息,最终将融合以上2种深层信息的文本表示用于情感分类。实验结果表明同时考虑并捕捉文本中深层次的语义和结构信息进一步地提高了分类效果。（3）针对多实体方面级情感分类任务,现有方法存在未考虑依存树上图结构信息的问题,以及使用GCN获取上下文隐藏表示时无法突出与指定实体方面词更相关部分信息的问题。为此,本文提出了门控双向图卷积网络（GBGCN）模型。该模型首先使用位置注意力和BiLSTM对上下文进行建模;其次在双向图卷积网络中引入门控机制,生成输出隐藏表示是面向指定实体方面词的门控双向图卷积网络;然后使用此门控BiGCN提取依存树上的图结构信息;最终将方面词与实体词的隐藏表示用于情感极性预测。实验结果表明考虑依存树上图结构信息和在GCN中引入门控机制能更有效地提取实体方面对与上下文间的句法信息,进而提高分类效果。