当代电子商务发展迅速,5G时代给我们带来了越来越多的数据,消费者在互联网平台上发表对各种产品的评论。方面级评论情感分析的主要目的是根据互联网用户的评论获得每个上下文单词在给定方面的重要性度量,以此说明消费者们对某一产品或事件在不同方面的情感评价倾向。方面级别情感分类主要包括两个方面:句子中方面的提取和给定方面的情感分类。但是现有研究存在一些偏好,会集中注意一些出现频繁的情感词语而忽略出现较少的情感词语。本文针对这一问题展开深入研究,主要工作如下:（1）提出一种保留式的自监督注意力情感分类算法,该算法能够从训练集中自动挖掘有用的注意力监督信息,来优化注意力机制。算法的核心思想是将这种自动挖掘信息的方法迭代地应用在每一个训练集样本上预测情感,在每一次迭代中,拥有最大注意力权重的单词会被提取出来,如果本句子情感预测正确,提取词作为积极词被提取,如果本句子情感预测错误,提取词作为误导词被提取,误导词被赋予极低的权重参与下一轮的迭代。最后,在整个训练集迭代完毕,在降低误导词的权重后,平等地分配权重于提取的积极词,再进行方面级别的情感分类。（2）提出一种方面级情感分类模型AS+TNet-ATT模型,该模型使用公开数据集进行对比实验,使用带监督信息的记忆网络和转换网络接受输入信息。因为注意力机制有对出现频率较高的情感词语赋予较高权重的偏好。本方法主要是通过反复迭代每一个数据集样本获得当前最高注意力权值的词语,再将之提取出来赋予较低权值,使得其关注度降低,在后续的迭代提取词语中,比他频率和关注度低且同样具备情感价值的词语更能被模型看见,从而提取出句子更多的有效监督信息,为最终的方面级别的情感分类提供更有效的语义支持。最后通过实验验证了算法及模型的有效性。