情感分析任务能够帮助用户从海量的评论数据中,快速挖掘评论者的关键意见,从而获得决策依据。随着二十年多来各项情感分析任务的研究,情感分析系统目前在商业、政治、医学等众多领域均有广泛的应用。方面级情感分析任务是一种细粒度的情感分析研究,它能帮助用户更深层地挖掘评论者对评价对象各个方面的评论意见,而不是从整体判断评论者的情感倾向。方面抽取是方面级情感分析中一项关键的研究任务,它也是下游任务执行的前提。在过去的研究中,学者们通常将方面与观点分开抽取,或是同时抽取而不进行配对,这导致在判断评论者对各个方面的情感倾向前,还需要执行额外的配对操作。于是,近年来有学者正式提出了方面-观点对抽取（Aspect-Opinion Pair Extraction,AOPE）任务。AOPE任务的目标是在评论中捕获所有方面术语及对应的观点术语。实体识别和关系检测是它的两项基本子任务,实体识别负责抽取所有方面及观点术语,关系检测负责配对。虽然最近的相关研究工作都考虑到了子任务间的交互作用,但从模型结构来看,两项子任务在计算过程中仍然相对独立,交互次数并不多。此外,由于AOPE任务近两年才被正式提出,因此许多AOPE模型重点在于子任务的联合训练,而没有关注能为两项子任务都提供线索的句法信息,或是引入句法信息的方式还是依赖于外部算法。针对上述问题,本文提出了一个同步追踪实体和关系的模型（Synchronously Tracking Entities and Relations,STER）来处理AOPE任务。具体来说,设计了一个由一组RNN构成的网络,它可以并行地追踪评论句中的所有实体。同时,STER能在不借助外部资源的情况下利用上下文、句法和关系三种特征来学习每个被追踪实体的表示,并在每个时间步利用这些实体表示同步计算实体间的关联度。实体表示和关联度在计算过程中高度依赖,最后它们将分别用于执行实体识别和关系检测。因此,在STER中,AOPE的两项子任务可以实现充分的交互,而这大大地增强了它们的相互启发效果。为了验证模型的有效性和适应性,在SemEval数据集的两个标注版本上进行了实验。实验结果表明,STER不仅具有先进的性能,而且能够很好地适应不同的标注策略。为了研究不同关系检测算法和实体标注算法对抽取性能的影响,本文还设计了一个基于卷积的三重关系特征的方面-观点对抽取模型（Convolution-based Triple Relational Features,CTRF）。CTRF利用双层CNN从点积相似度、余弦相似度和双线性相似度这三重特征中学习实体间关系,进而计算两个实体属于方面-观点对的概率。将CTRF及使用了不同关系检测算法的对比模型均采用CRF和Softmax回归两种方式执行实体标注。实验结果表明,CTRF凭借其关系检测算法能够在抽取任务中发挥出强于其他对比模型的表现,另外,相较于Softmax回归,CRF在实体标注任务中的性能更加优越。