现有的方面级情感分析方法对句法依存树蕴含信息使用不足，忽略多方面词之间的关联，并且缺少对外部知识的使用。针对这些问题，提出一种知识增强的方面词交互图神经网络（KEAIG）模型。首先利用融合领域知识的BERT-PT （Bidirectional Encoder Representation from Transformers with Post-Train）编码文本，并利用知识图谱增加句法树的情感信息。模型分两部分对句法依存树蕴含的信息进行提取：第一部分利用句法依存树中的关联关系和每个单词的词性标签提取句子特征，第二部分对融入知识图谱的句法依存树进行特征提取。之后使用融合门控单元将多方面词关联特征融合进提取到的特征中。最后将两部分句子表示拼接起来作为最终分类依据。在4个数据集上的实验结果表明，所提模型相较于基准模型关系图注意力网络（RGAT），在准确率上分别提升了2.17%、5.54%、2.60%和2.83%，在F1值（Macro?F1）上分别提升了2.69%、6.87%、8.77%和14.70%，充分表明了利用句法树、引入外部知识和提取多方面词关联的有效性。

针对现有的文档级情感分析模型大多只是考虑从词级对文本进行编码的问题，提出了一种基于多尺度卷积和门控机制的注意力情感分析模型。首先，使用多尺度卷积捕获不同粒度的局部相关性，从而得到更多不同层次的文本语义信息并形成更丰富的文本表示；其次，考虑到用户个性及产品信息对文本情感分类的影响，将全局用户产品信息融合到注意力中捕捉与用户和产品相关度较高的关键语义成分来生成文档表示；然后，引入门控机制来控制情感信息流向汇集层的路径；最后，通过全连接层和argmax函数实现情感分类。实验结果表明，与基准模型中性能最好的相比，所提模型在IMDB和Yelp2014两个数据集上的情感分类准确率分别提高了1.2个百分点和0.7个百分点，并且在IMDB和Yelp2013数据集上获得了最小的均方根误差（RMSE）。