基于方面的情感分析（Aspect-based Sentiment Analysis,简称ABSA）,是情感分析中的一项细粒度任务,其目标是识别特定方面信息在其上下文中的情感极性。基于方面的情感分析包含了两个基本子任务:基于方面类别的情感分析（Aspect Category Sentiment Analysis,简称ACSA）和基于方面实体的情感分析（Aspect Term Sentiment Analysis,简称ATSA）。不同的上下文词对判断面向特定方面类别/实体的句子情感极性有不同的影响,这增加了基于方面的情感的分析难度。现有的方法通过深度学习模型建模上下文,方面及其之间的关系,但是仍然没有充分考虑和利用一些有用的线索（例如,语境,词汇和句法）,并且单独针对ACSA问题的研究有限,现有大多是使用以ATSA问题为核心研究的通用模型来解决ACSA问题。因此,本论文提出了新的方法来解决上述问题。首先,本文利用方面类别标签做指导,提出了一种针对ACSA的新方法。通过构造对抗训练模型,分别捕捉与特定方面类别无直接关系以及与其直接相关的信息,以获得面向该方面类别的文本共享表示和私有表示。最终的以拼接的方式融合两部分信息,极大程度的挖掘和保留方面类别相关上下文。其次,本文利用上下文,词汇和句法提示特征做指导去提升基于ATSA的分类准确率。引入子网络来表示句子中的目标方面实体并且应用词典嵌入以合并其他词汇提示的方法对上下文信息进行充分的考虑。同时,本文设计了一种新的注意模块,以详细说明注意推理中词之间的句法依赖线索。