方面级情感分析（aspect-based sentiment analysis,ABSA）任务的目标是在给定目标文本与方面词的条件下进行情感极性的预测。当前,方面级情感分析领域的研究主要包括使用循环神经网络等表征方面词与上下文信息、使用预训练语言模型并微调等方式。然而当前研究存在以下问题和不足:首先,一些基于预训练语言模型的研究仅关注目标文本的语义特征表示学习,忽略了目标文本、方面词、情感极性三者之间的关系;其次,在基于预训练语言模型Bert进行知识增强的研究中,大多数研究直接将领域数据集在Bert的两个预训练任务上再次训练,没有考虑不同下游任务对预训练目标函数的需求,缺少目标函数比重对下游任务影响的分析;最后,一些下游任务的有监督训练样本不足,易导致模型训练不充分。针对以上问题,本文基于预训练语言模型及知识增强方式开展方面级情感分析的研究:针对忽略目标文本、方面词、情感极性三者之间关系和下游任务有监督训练数据不足的问题,提出三种构造辅助句子的方式,利用方面词与情感极性信息,将针对目标文本的多元情感分类问题转化为序列对之间的二元关系判断,一方面使预训练语言模型更好地学习方面词相关的情感特征表示,另一方面也有效增加了训练样本的数量;针对知识增强中没有考虑预训练目标函数对下游任务影响的问题,提出两种知识增强的方式,分别使用领域内数据集与任务相关数据集对预训练语言模型Bert进行再次预训练,并通过设置不同的预训练目标函数比例研究预训练目标函数对下游任务的影响。最终实验结果证明了本文提出的构造辅助句子方式和知识增强方式的有效性:在Semeval2014 task4的Laptop和Restaurant数据集上,三个预训练语言模型Bert、XLNet以及Roberta与辅助句子的结合都取得了很好的结果,证明了所构造辅助句子具有泛化性,其中Roberta在task4的子任务2——方面词极性预测任务中,两个数据集上的准确率分别达到89.32%与91.46%,而在子任务4——方面词类别极性预测的Restaurant数据集的四分类以及三分类任务上分别达到94.31%、94.65%的准确率,取得了新的最好结果;知识增强的实验结果一方面证明了两种增强方式的有效性,另一方面说明了不同的下游任务侧重于不同的预训练目标函数,设置合适的预训练目标比例进行知识增强有助于模型性能提升。