针对目前方面级情感分析（ABSA）模型过多依赖关系较为稀疏的句法依赖树学习特征表示，导致模型学习局部信息能力不足的问题，提出了一种融合多窗口局部信息的ABSA模型MWGAT（combining Multi-Window local information and Graph ATtention network）。首先，通过多窗口局部特征学习机制学习局部上下文特征，并挖掘文本包含的潜在局部信息；其次，采用能够较好理解依赖树的图注意力网络（GAT）学习句法依赖树所表示的语法结构信息，并生成语法感知的上下文特征；最后，将这两种表示不同语义信息的特征融合，形成既包含句法依赖树的语法信息又包含局部信息的特征表示，从而便于分类器高效判别方面词的情感极性。在Restaurant、Laptop和Twitter这3个公开数据集上进行实验，结果表明与结合了句法依赖树的T-GCN（Type-aware Graph Convolutional Network）模型相比，所提模型的Macro-F1分数分别提高了2.48%、2.37%和0.32%。可见，所提模型能够有效挖掘潜在的局部信息，并更为精确地预测方面词的情感极性。

面向方面的细粒度意见提取（AFOE）以意见对的形式从评论中提取方面词和意见词，或在此基础上再提取方面词的情感极性形成意见三元组。针对现有研究方法忽略了意见对与上下文相关性的问题，提出一种面向方面的自适应跨度特征的网格标记方案（ASF-GTS）模型。首先，利用BERT（Bidirectional Encode Representation from Transformers）模型获得句子的特征表示；然后，采用自适应跨度特征（ASF）方法加强意见对与局部上下文的联系；其次，通过网格标记方案（GTS）将意见对提取（OPE）转化为统一的网格标记任务；最后，使用特定的解码策略生成对应的意见对或意见三元组。在适用于意见元组提取任务的四个AFOE基准数据集上进行实验，结果表明，与GTS-BERT（Grid Tagging Scheme-BERT）模型相比，所提模型在意见对和意见三元组任务上的F1值分别提高了2.42%~7.30%和2.62%~6.61%。所提模型能够有效保留意见对与上下文的情感联系，更精确地提取意见对及其情感极性。