方面级情感分析旨在预测给定文本中特定目标的情感极性。针对忽略方面词和上下文之间的句法关系和平均池化带来的注意力差异性变小的问题，提出一种基于交替注意力（AA）机制和图卷积网络（GCN）的方面级情感分析模型（AA-GCN）。首先，利用双向长短期记忆（Bi-LSTM）网络对上下文和方面词进行语义建模；其次，通过基于句法依存树的GCN学习位置信息和依赖关系，再利用AA机制进行多层次交互学习，自适应地调整对目标词的关注度；最后，拼接修正后的方面特征和上下文特征，得到最终的分类依据。相较于基于目标依赖的图注意力网络（TD-GAT），所提模型在4个公开数据集上准确率提升了1.13%~2.67%，在5个公开数据集上F1值提升了0.98%~4.89%，验证了利用句法关系和提升关键词关注度的有效性。

针对传统文本特征表示方法无法充分解决一词多义的问题，构建了一种融合字注释的文本分类模型。首先，借助现有中文字典，获取文本由字上下文选取的字典注释，并对其进行Transformer的双向编码器（BERT）编码来生成注释句向量；然后，将注释句向量与字嵌入向量融合作为输入层，并用来丰富输入文本的特征信息；最后，通过双向门控循环单元（BiGRU）学习文本的特征信息，并引入注意力机制突出关键特征向量。在公开数据集THUCNews和新浪微博情感分类数据集上进行的文本分类的实验结果表明，融合BERT字注释的文本分类模型相较未引入字注释的文本分类模型在性能上有显著提高，且在所有文本分类的实验模型中，所提出的BERT字注释_BiGRU_Attention模型有最高的精确率和召回率，能反映整体性能的F1-Score则分别高达98.16%和96.52%。