Mô hình AOA thiết lập một mạng neural với mô hình chú ý quá mức Attention-Over-Attention [14] dựa trên LSTM. Mô hình đã liên kết được các từ khía cạnh và quan điểm trên cơ sở mô hình hoá được từ khía cạnh và ngữ cảnh cùng lúc nhằm khai thác được các thông tin bổ trợ quan trọng trong các từ khía cạnh và ngữ cảnh. Cũng sử dụng cơ chế Attention, các tác giả trong [105] đã kết hợp với một mạng RNN để phân loại quan điểm tương ứng khía cạnh trong tài liệu bình luận. Nghiên cứu trong [35] đề xuất một mạng chú ý tương tác Interactive Attention Network (IAN) để học các chú ý trong ngữ cảnh và từ mục tiêu một cách tương tác, đồng thời phát sinh các đại diện cho các ngữ cảnh và từ mục tiêu tương đồng, hỗ trợ tốt cho khả năng phân loại quan điểm. Nhóm các tác giả trong [164] áp dụng một mô hình mạng mã hoá chú ý Attentional Encoder Network (AEN) với các bộ mã hoá dựa trên sự chú ý để mô hình hoá ngữ cảnh và khía cạnh giúp khai thác thông tin ngữ nghĩa cần thiết tương ứng khía cạnh từ cơ chế nhúng từ mà không cần quan tâm đến khoảng cách giữa các từ trong văn bản.
Chen và cộng sự [126] trình bày một mô hình đồng trích xuất với việc nhúng từ được tinh chỉnh bằng cách cung cấp các đại diện vector riêng biệt cho các quan điểm đối lập nhau. Các tác giả đã xây dựng một mô hình Attention kép nhiều lớp dựa trên học sâu để khai thác các cấu trúc phụ thuộc thể hiện mối liên quan giữa khía cạnh và quan điểm trong tài liệu giúp tăng hiệu suất cho mô hình phân loại. Nhóm nghiên cứu [158] đề xuất mô hình phân loại với sự kết hợp của GRU và cơ chế chú ý đến các từ quan trọng trong câu để trích rút các đặc trưng của khía cạnh và ngữ cảnh giúp cho việc phân tích quan điểm được chính xác hơn. Nhóm tác giả [64] đã sử dụng một mạng LSTM và cơ chế chú ý vị trí, kết hợp việc chú ý đến tầm quan trọng của từ ngữ cảnh với vector nhận biết vị trí đại diện cho ngữ cảnh để phân loại quan điểm. Các tác giả trong [128] sử dụng mạng Attention hai chiều nhận biết vị trí để xác định quan điểm mức khía cạnh.