随着信息技术的飞速发展,越来越多的人倾向于在网络平台以文本的形式发表自己的观点,而这些带有情感倾向的评论文本对于人们来说,有时是很具有参考价值的信息,因此,自动获取评论文本的情感分析技术对于企业了解客户的爱好和习惯,从而在商业竞争中做出准确而有效的决策有着不可忽视的作用。早期文本情感分析主要是从文档层面和句子层面对文本整体进行分析,这会导致一些细节的丢失,并不能严谨地反映人们对于目标的评论意见,有时甚至会得出错误的结论。方面级情感分析则是针对文本中各个方面对象的情感进行细粒度分析,从而更加充分地理解文本中的语义信息。方面级情感分析中包含方面术语提取和方面情感分类这两个子任务,其中方面术语提取旨在提取文本句子中的目标方面词,而方面情感分类则是根据目标方面词的上下文预测其情感极性。关于方面级情感分析的研究主要还是侧重于挖掘文本语义特征,建立上下文词之间的联系,基于自注意力机制的模型可以充分探索句子的句法结构,而基于卷积神经网络的模型能够使单词的方面和其上下文语义对齐,但是关于文本目标方面词的提取和情感分类仍然存在一些挑战。首先,在方面术语提取任务中,句子中的多个方面词或词组的范围往往难以界定,因此在对文本句子进行编码时容易受到无关信息的影响,这就需要充分利用句子的句法结构来实现准确提取。其次,在方面情感分类任务中,现有研究缺乏充分利用句法信息和远程词依赖关系来执行相关句法约束的能力,可能错误地判断方面术语的情感线索,对于文本中隐含的矛盾情感信息也无法得到准确识别。针对这些问题,本文在已有的工作上做出相应的改进,主要研究工作如下:1、本文提出基于选区格结构编码的神经网络模型来实现方面术语提取。我们采用的方法主要是根据句子的成分解析树构造选区格结构,再结合句子成分的词性注释来界定句子中与方面术语有关的关键信息,并分别以双向LSTM模型和BERT模型为基础进行相对应的改进和实验,在SemEval-2014和SemEval-2016中两个数据集上的实验结果证明了选区格结构编码具有优越性,能更好地实现文本句子中多词或短语级方面术语的提取。2、本文提出了一种结合局部上下文嵌入和全局图卷积网络来预测方面情感极性的联合模型。模型利用上下文特征动态掩码层来聚焦局部上下文情感信息,利用图卷积网络层来获取全局上下文情感信息,并通过多头注意力机制实现全局信息和局部信息的交互补充,充分利用句法结构信息和远程词依赖关系,揭示了上下文中不同层次情感对目标方面情感极性的影响。在Semeval-2014中三个常用数据集上的实验结果表明,模型在方面级情感分析任务中的表现效果较之前的方法有着显著提升。