隨著數字媒體的迅猛發展，機器輔助文本分析技術得到了廣泛的應用，而情感分析是其中的主流應用。傳統的情感分析方法需要復雜的功能工程，並且嵌入表示法長期以來一直佔據著排行榜的主導地位。但是，上下文無關的性質限制了它們在豐富上下文中的代表能力，從而損害了自然語言處理（NLP）任務的性能。變形金剛（BERT）的雙向編碼器表示法，以及其他經過預訓練的語言模型，在11個NLP任務（包括句子級情感分類）中均超過了現有最佳結果，這使其成為文本表示法的新基準。作為一項更具挑戰性的任務，在縱橫比方面，觀察到的BERT應用較少，可用於情感分類。我們實現了BERTbase模型的三個與目標相關的變體，在目標詞上定位了輸出，並在目標中內置了可選句子。對三個數據集的實驗表明，我們的TD-BERT模型實現了最新的技術水平與傳統特徵工程方法，基於嵌入的模型和BERT的早期應用相比，它具有更高的性能。隨著BERT在許多NLP任務中的成功應用，我們的實驗試圖驗證其上下文感知表示是否可以在基於方面的情感分析中實現類似的性能提升。令人驚訝的是，將其與曾經與嵌入表示配合使用的複雜神經網絡結合起來並沒有顯示出太大的價值，有時其性能也低於原始的BERT-FC實現。另一方面，合併目標信息顯示出穩定的準確性提高，並且通過實驗顯示了利用該信息的最有效方法。