情感分析作为自然语言处理的重要分支,受到了人们越来越广泛的关注。将情感分析技术应用于教学评价方面,可以帮助教育工作者及时发现学生对于课程的真实感受,便于进行相应的调整,从而更好的提升教育教学质量。目前,研究人员通常使用带有注意力机制的神经网络解决方面级别情感分析任务,但是这些模型大多没有考虑一个句子中不同方面之间的内在联系,同时,目前常用的全局注意力和局部注意力计算模型都有各自的缺点,无法充分挖掘文本中隐藏的关键信息。本论文主要通过两种方式对上述问题做出改进。一方面,针对高校课程评价方法效率低下,工作量大等问题,提出了一种多注意力融合模型(Multi-Attention Fusion Modeling,Multi-AFM),首先计算全局注意力,随后根据基于语法的距离计算局部注意力,最后通过门控单元控制将全局注意力和局部注意力融合以便生成更合理的上下文表示,从而达到更好的分类效果。实验结果表明,Multi-AFM模型在教育领域和其他类似领域的应用中较现有方法有部分提升。另一方面,大多数情感分析方法没有考虑同一条评论中各个方面之间的内在联系,只是独立地考虑单个方面,往往具有局限性。针对此类问题,提出了一种多方面情感注意力融合模型(Multi-Aspect Sentiment Attention Fusion Modeling,Multi-ASAFM),使用神经网络和注意力融合机制将句子分别与句中的各个方面做嵌入,研究各方面之间内在关系对于情感极性影响,并考虑加入情感资源注意力,以增强因长距离传播而减弱的情感资源,从而达到更好的分类效果。实验结果表明,Multi-ASAFM模型在教育领域和其他类似领域的应用中较现有方法有部分提升。