近年来,随着互联网技术的发展,人们在网络分享自己的生活,发表对各种事物的看法,各种社交平台和电商平台的用户评论呈爆炸式增长。如何从众多评论中提取出用户对产品或服务在某个方面的具体情感,对商家改进自家产品与服务,以及指导其他用户选购商品都极具现实意义。方面级情感分类任务旨在识别句子中给定方面词的情感极性,从更加精细的角度分析文本评论中不同属性或者方面的情感信息,从而对商品和服务有更加深入、细节的了解。本文针对方面级情感分类任务展开研究,主要研究内容及贡献如下:（1）以往的方法大多基于长短时记忆网络（LSTM）和注意力机制,这种做法很大程度上仅依赖于建模句子中的方面词与其上下文的语义相关性,但忽略了句中的语法结构。针对这种缺陷,提出了一种基于图卷积网络（GCN）和注意力机制的方法,不仅利用双向长短时记忆网络（Bi LSTM）建模了句中单词之间的语义信息,还利用图卷积网络进行单词间语法关系的信息传递,最后通过注意力机制建模上下文和方面词之间的关系,用于情感分类。（2）与前面提出的方法类似,现有的几种同样使用图卷积网络传递语法信息的方法,其主体思想是基于依赖关系树的图卷积方法从语法关系上缩短方面词和观点词之间的距离,并利用句子间的语法关系进行信息传递。一方面,这种方法高度依赖语法解析工具,一旦解析错误就不可避免地会导致错误的积累。另一方面,现有的语法解析工具无法很好地解析较长的句子,对于一些特殊句式,如双重否定句、反问句等也无能为力。为了充分利用句子的语法依赖,同时缓解由于解析错误而导致的问题,提出了一种基于交互注意力的图卷积神经网络（IAGCN）的方法,深度建模了句子与方面词的语义信息和语法信息。首先用双向长短时记忆网络学习句子的词序关系,捕捉句中上下文的语义信息;其次引入位置信息后,通过图卷积网络学习句中的语法信息;然后通过一种掩码机制提取方面词;最后使用交互注意力机制,交互计算特定方面的上下文表示,并作为最后的分类特征。通过这种优势互补的设计,模型可以很好地获得聚合了目标方面信息的上下文表示,并有助于情感分类。实验结果表明,模型在多个数据集上都获得了优秀的效果。（3）最后,对整个实验的工作流程进行了可视化,从数据集中选取了各具特色的例句,系统性地分析了省略句、否定句、插入语等不同句式下的方面情感分类任务的难点,并设计并搭建了一个方面级情感分类系统平台,验证了本文设计模型的可用性。