夏卫欢，廖列法，2，张守信，张燕琴

（1.江西理工大学信息工程学院，江西 赣州 341000；2.江西理工大学软件工程学院，江西 南昌 333000）

0 引言

方面级情感分析（ABSA）已成为当下自然语言处理（NLP）的研究热点。随着互联网的发展，电商等线上平台发展迅猛，越来越多的用户在网上分享对产品的意见，决策者需要根据用户的评论信息对产品进行优化。然而，由于用户评论文本的不规范及其复杂结构，因此传统的情感分析难以准确且快速地判断其中包含的情感信息。针对产品特定方面的评论信息进行分析，符合方面级情感分析任务能够判断句子中特定方面的情感极性特点，因此受到广泛关注，具有重要的研究意义。

早期的方面级情感分析研究大多是基于统计和规则的方法，如情感词典等。此类方法需要大量人工参与词典的构建以及特征规则的设计，模型效果很大程度上依赖于手工标注数据的质量，达不到预期的目的，方法的适用性也较差。随着深度学习广泛应用在自然语言处理中，经典的序列循环神经网络（RNN）模型因其能建模序列数据的特性常被用于方面级情感分析任务中提取句子的语义信息。此外，卷积神经网络因其能够提取局部信息特征也被用于建模上下文语义信息［1-2］。文献［3］使用长短期记忆（LSTM）网络捕获上下文语义信息并进行方面级的情感极性分类。然而单一的序列模型无法自动关注上下文中重要的语义信息，文献［4］将注意力机制与长短期记忆网络相结合，并使用方面嵌入进行情感极性预测。……