随着互联网和社会媒体的迅猛发展,人们越来越多地通过社会媒体来表达对某个对象的立场。这个对象可能是一个人、一个组织、一个热点事件、一个运动、或者一个政策等。立场通常分为支持、反对和无立场三大类别。立场分析就是自动识别文本中包含的用户对某个特定对象的立场。自动识别用户的立场有利于产品、服务、政策的改进,有利于政府舆情监控,也便利客户购买产品或服务。本文主要研究基于文本信息的立场分析的相关理论和应用,主要从文本内部和外部文本两个方面开展工作。本文首先针对文本的情感和用户立场并不总是一致问题,提出一个联合神经网络模型对文本中的情感和立场进行联合学习分析。其次,本文提出一个层次注意力模型用来有效融合词汇、情感、句法、以及论据等四种语言学特征对立场分析的影响。最后,针对单个对象标注样本偏少的问题,本文提出了基于多对象文本的立场分析模型。具体而言,本文主要贡献在于:(1)基于情感信息的立场分析模型。一般来说,文本的情感信息高度影响着立场,但情感和立场之间并不总是一致的。因此,本文提出了一种基于联合学习的神经网络模型同时预测立场和情感类别。该模型能同时学习情感和立场的表示以及它们之间的交互和影响。实验结果证明了所提的联合学习神经网络模型能有效地利用情感信息进行立场分析。(2)融合多种语言学信息的立场分析模型。首先基于传统的机器学习模型探索并分析了词汇、词性、语义和句法等四种语言学特征对立场分析的影响。在此基础上,提出了一个层次注意力模型,探索了不同语言学信息的表示对立场分析的影响。该模型包含语言学注意力机制和层次注意力机制,语言学注意力机制分别用于获取情感表示,依存表示,论据表示和文本表示之间共同关注的关键信息,而层次注意力机制则用于调节这四种表示的权重。在两个数据集上的实验结果表明所提的层次注意力模型能有效融合多种语言学特征进行立场分析。(3)基于多对象数据的立场分析模型。立场分析时,不同的评价对象之间有一些共同的信息可用于评价对象之间知识的迁移,以弥补单对象标注样本偏少的不足。因此,本文针对该问题研究了多评价对象文本对立场分析的影响和作用,提出了一个对抗多任务学习模型用来学习多对象数据对立场分析的影响。该模型以立场分析为主任务,对象分类和情感分类为辅助任务,同时考虑这三个任务的联合学习和对象间的对抗学习,以便获得独立于对象的特征来帮助立场识别。在四个对象上的实验结果表明,多对象的对抗多任务学习有利于立场的分析。目前,基于社会媒体文本的用户立场分析研究仍然处于初始阶段,本文的研究亦属于探索性工作。本文聚焦于文本信息,提出了有效的方法来提高立场分析的性能,期待论文取得的初步成果能够对本领域的相关研究产生一定的参考价值,促进自然语言深层理解技术的发展。