属性级情感分析关注的是文本中评价对象及其情感倾向。如句子“屏幕不行,电池可以”中,评价对象为“屏幕”和“电池”,相应的情感倾向为负面和正面。观点评价词,也称情感词,是指文本中表达主观情感的单词或者短语,如上面例子中的“不行”和“可以”。直观来看,观点评价词对情感倾向的确定非常重要。但目前的大多数属性级情感分析工作对观点评价词的关注比较少。因此,本文重点关注了属性级情感分类中的观点评价词。本文的主要研究工作如下:1.面向评价对象的评价词抽取。以往的工作大多将观点评价词抽取视为一个辅助任务,而没有将其视为属性级情感分类中一类重要特征。为了实现此类特征的提取,本文关注了面向评价对象的评价词抽取任务,并基于BERT提出了一个抽取模型。对于评价词抽取任务,除了使用序列标注的方法,本文还尝试了抽取式问答中常用的边界预测的方法。实验结果表明,本文所提出的模型在f1值上远优于现有的方法(7%-8%),边界预测的方法在f1值上略优于序列标注的方法,在训练和解码速度上远超序列标注的方法。2.结合观点评价词的属性级情感分类。得到观点评价词之后,本文研究了观点评价词在属性级情感分类中的作用机制。首先,设计了两个指标对观点评价词在属性级情感分类中的贡献度进行量化。在两个量化指标上的实验表明,随着训练的进行,模型将更加关注文本的观点评价词。为了更直接地学习到这种关注,本文对BERT模型的自注意力层上进行了修改。实验表明,使用本文所提出的模型来指示出文本的观点评价词后,相比于不指示观点评价词,属性级情感分类的性能得到了提高,准确率最高提高了1.45%。3.结合观点评价词的端到端的属性级情感分析。以往的端到端的属性级情感分析工作都只输出评价对象及其情感倾向,而没有在输出结果中结合观点评价词。为了结果的完整性,本文关注了观点三元组抽取任务。观点三元组,由评价对象、相应的观点评价词及情感倾向构成。现有的工作将观点三元组抽取建模为两个阶段,首先分别抽取评价对象和观点评价词,然后两两组对送入分类器中判断二者的对应关系。本文则提出了一个端到端的模型去进行观点三元组的抽取,在抽取评价对象和观点评价词的同时,抽取它们的关系。实验表明,本文提出的模型在多个数据集的多个指标上优于现有的方法,在观点三元组的f1值上最高提高了13%。