在自然语言处理（NLP）的细粒度情感分析问题中，为探索携带结构偏差的预训练语言模型（PLM）对端到端式情感三元组抽取任务的影响，解决方面语义特征依赖容错率低的问题，结合方面感知注意力机制和图卷积网络（GCN），提出用于方面情感三元组抽取任务的方面感知注意力增强图卷积网络（AE-GCN）模型。首先，在方面情感三元组抽取任务中引入多种类型的关系；其次，采用双仿射注意力机制将这些关系嵌入句子中单词之间的相邻张量，并引入方面感知注意力机制以获取句子注意力评分矩阵，深入挖掘与方面相关的语义特征；再次，GCN通过将单词和关系相邻张量分别视为边和节点，将句子转换为多通道图以学习关系感知节点表示；最后，使用一种有效的词对表示细化策略确定词对是否匹配，以考虑方面和意见抽取的隐含结果。在ASTE-D1基准数据集上的实验结果表明，所提模型在14res、14lap、15res和16res子数据集上的F1值相较于增强型多通道图卷积网络（EMC-GCN）模型提升了0.20、0.21、1.25和0.26个百分点；在ASTE-D2基准数据集上，所提模型在14lap、15res和16res子数据集上的F1值相较于EMC-GCN模型提升了0.42、0.31和2.01个百分点。可见所提模型相较于EMC-GCN模型在精确率和有效性方面有较大改进。

由于自然语言的复杂语义、词的多情感极性以及文本的长期依赖关系，现有的文本情感分类方法面临严峻挑战。针对这些问题，提出了一种基于多层次注意力的语义增强情感分类模型。首先，使用语境化的动态词嵌入技术挖掘词汇的多重语义信息，并且对上下文语义进行建模；其次，通过内部注意力层中的多层并行的多头自注意力捕获文本内部的长期依赖关系，从而获取全面的文本特征信息；再次，在外部注意力层中，将评论元数据中的总结信息通过多层次的注意力机制融入评论特征中，从而增强评论特征的情感信息和语义表达能力；最后，采用全局平均池化层和Softmax函数实现情感分类。在4个亚马逊评论数据集上的实验结果表明，与基线模型中表现最好的TE-GRU （Transformer Encoder with Gated Recurrent Unit）相比，所提模型在App、Kindle、Electronic和CD数据集上的情感分类准确率至少提升了0.36、0.34、0.58和0.66个百分点，验证了该模型能够进一步提高情感分类性能。