方面级情感分析是自然语言处理领域的一项重要研究任务,能够从细粒度层面挖掘文本中特定方面（如:价格、服务）的情感观点,并对其进行情感极性分类。该项研究任务可为用户提供消费决策指引,以及为商家制定营销策略提供理论支持。针对现有的深度学习方法中模型输入向量包含语义信息有限且对方面词感知较弱的问题,本文提出一种基于BERT和交互注意力机制的方面级情感分析模型（aspect-based sentiment analysis model based on BERT and interactive attention mechanism,记为BERT-Bi GRU-IATT）,主要研究内容如下:（1）提出基于BERT和Bi GRU（Bidirectional Gated Recurrent Unit,双向门控循环单元）的方面级情感分析模型（BERT-Bi GRU）以挖掘文本的深层次语义特征,并解决了模型输入向量表征浅层的问题。首先,利用BERT预训练模型分别对文本和方面词进行语义编码,生成包含丰富语义信息的词向量表示作为模型的输入;然后,利用Bi GRU从正反两个方向分别学习词语的上下文特征,得到隐藏层特征向量并进行拼接以形成完整的向量表示;最后,将方面词表示和上下文表示进行拼接,输入至Softmax函数进行归一化处理并输出情感分类结果。在Sem Eval 2014 Task 4数据集上的实验分析结果验证了BERT-Bi GRU模型的有效性,其平均准确率和F值分别为79.79%和74.64%。（2）进一步地,提出将交互注意力机制引入BERT-Bi GRU模型以捕捉方面词和上下文之间的交互信息,并解决了上下文中关键信息未被重点关注的问题。首先,将交互注意力机制加入神经网络训练过程中,对Bi GRU隐藏层输出的上下文和方面词特征向量进行平均池化操作;然后,借助获得的隐藏层平均表示,以交互计算的方式分别为上下文和方面词分配不同的注意力权重,从而突出关键信息。相比较于BERT-Bi GRU模型,BERT-Bi GRU-IATT模型的准确率和F值分别提高了1.34%和1.23%。实验结果表明,本文提出的BERT-Bi GRU-IATT模型在Sem Eval 2014 Task 4数据集上能够准确判断出方面词对应的情感极性。方面级情感分析任务可广泛应用于智能推荐、问答系统,对于电商领域的用户和商家均具有潜在的应用价值。图[22]表[10]参[82]