方面级情感分析旨在从句子中挖掘出其中关于给定方面的主观情感信息,该任务中非常重要的一个环节是特征提取。本文的研究着眼于中文餐饮评论的方面级情感分析任务中的特征提取,当前的方面级情感分析算法存在以下几点不足:第一,现有的字词向量联合模型在将字向量加入词向量训练的过程中赋予每一个字向量相同的权值,在大多数词语中语义对字是有偏置的,例如“篮球”语义倾向于“球”。第二,注意力机制给句子中与情感相关的词都赋予更大的权值,但句子中并不是所有的词都与给定方面的情感相关;此外,注意力权值的计算依赖于方面词表示,当前的模型计算方面词表示大多是直接通过取方面词组中每一个词向量均值的方式获得的,这样获取到的方面词表示语义会有损失。针对上述问题,本文从中文词向量的获取和情感特征提取两个方面进行深入研究。本文的主要工作总结如下:第一,本文在CWE模型的基础上提出字词向量的联合模型。首先,采用Bi-RNN和Attention机制来动态学习字向量权值,为词内每一个字赋予不同权重。然后,由于中文字在词中的位置通常是固定的,本文使用一个二维卷积神经网络来提取字向量间的N-gram特征。最后,将以上两种方式获取到的关联特征与原始词向量相加获得最终词表示。第二,本文提出基于BLSTM-CNN的方面级情感特征提取模型。该模型基于Bi-LSTM和注意力机制,进行了两点改进:1)自适应目标词表示考虑将目标词表示成方面向量的加权求和形式,通过神经网络来学习权值,以此来达到自适应表达目标词的效果。2)模型中加入CNN增强模型局部特征的能力,并采用一种近邻策略来解决CNN跨目标词错误提取情感特征的问题。