随着电子商务、评论网站和社交平台的发展,用户能更加方便、实时地表达他们对各种消费产品的各个方面的意见。这些主观文本资源既能给商家提供大量的用户体验反馈和改进方向,也能作为其他消费者的购买参考,并起到产品监督的作用。面对庞大的文本数据资源,为了高效准确的提取这些文本所包含的有用信息,方面级情感分类应运而生。神经网络的再度兴起之后,深度学习逐渐取代了传统方法,被运用在了方面级情感分类上,取得较为不错效果的同时,减少了人力开销。但当前国内外大多数基于深度学习的方面级情感分类模型没有引入句法信息,为了将句法信息引入到神经网络模型中参与训练,提升模型性能,本文主要工作如下:首先,本文结合情感分析研究背景,就深度学习在方面级情感分类上的应用做了梳理与归纳。概括情感分析的发展历程,阐明引入深度学习方法到方面级情感分类问题的动机。将方面级情感分类模型归纳为8大类并对主流模型做出展示和说明,总结了对应模型的优缺点和引入依存句法信息的意义。在深入了解模型的基础上,本研究提出一种新的方面术语表示方法,将依存句法信息与原方面术语相结合。该方法利用Glove词向量表示单词以及单词与单词之间的依存关系,构造出包含依存句法信息的依存关系邻接矩阵和依存关系表示矩阵,再利用图卷积神经网络和多头注意力机制将依存句法信息融入到方面术语中,使得方面术语表达与上下文结构高度相关。然后,本研究将改进后的方面词术语表示替换到现有模型,原模型泛化能力得到有效提升,收敛速度变快。将注意力头数作为超参数进行了自身对照实验,验证了注意力头数对提取依存句法信息有影响,因而注意力头数的选取,应综合考虑时间和效果上的权衡。引入句法依存信息会增加模型训练参数,为了减小训练时长,通过监测迭代次数,分析相关性能指标曲线图得出采用提前结束训练的方法,可节省训练时间的结论。最后,通过对比实验和分析结果表明了提出方法具有有效性和泛化性。