随着5G和千兆宽带的发展,人们越来越多地倾向于在网上购物、直播和社交等服务中获取信息和娱乐,这些服务产生的数据量也越来越大,其中包含了大量的情感信息,这些情感信息对商家和企业提供服务非常重要,可以让其更好地了解消费者的需求和反馈,以提供更好的服务和产品。然而,传统的情感分析方法只能通过识别情感话语来判断情感极性,而无法精准的辨认细节情感表达。近年来,语言学和机器学习技术的融合,使得研究者有了更有效而准确的方法去分析文本中潜在的情感极性,通过结合语言学所探究的句法依存关系和深度学习算法,来实现细粒度的情感类别区分。本文通过深度分析归类的方式,来研究如何有效而准确地利用好领域内的语言工具以及深度学习方法对文本中极端情感信息进行分析归类。本文所做的工作如下:（1）针对现有的方面级别情感分析,目前的方法大多是通过文本聚类,而忽略了文本本身之间存在的句法关系,从而导致模型运行缓慢且分类精度不高。为此,我们提出了一个基于预训练模型BERT的融合依存图注意力的网络模型（BERT-based Fusion Dependence Graph Attention model,FDGAT）,通过重构句子依赖树,形成了一个以方面为中心的树,充分利用了树中的依赖关系和词性信息,通过BERT在预训练阶段将所有的文本信息进行嵌入以得到数学表达形式,并在微调阶段利用下游分类任务进行有监督学习。最后,将依赖特征、词性特征和文本特征以注意力机制的形式对它们进行融合,使得模型更加关注与方面词有关的信息,实现了情感分类。（2）针对现有图注意力网络在使用静态注意力时不能有效地关注句子中的重要部分,而且还没有充分挖掘依赖树的信息问题,本文提出了一种基于Ro BERTa的融合依存动态注意力图网络模型（Ro BERTa-based Fusion Dependence Dynamic Graph Attention model,FDDGAT）,从现有GAT的静态注意力出发,将动态注意力运用到我们的模型上,使得我们的模型可以从上至下依次关注文本中的重要部分,并且可以让模型更加理解句子内的关系和特性,提高处理重要文本方面的能力,在依赖树方面我们还探索了树中节点之间的路径关系并将其作为特征嵌入进我们的模型中,通过四个公开数据集的实验结果,本文所提模型比基线模型在分类上有着更高的准确性和性能,客观地验证了我们模型的有效性。