社交媒体平台上,围绕突发案件中不同评价对象的讨论会在短时间内聚集和传播,引起涉案舆情,影响案件的公正处理并引发社会问题。对涉案网络评论进行评价对象挖掘、归类和情感分析,对于舆情评估和处置具有重要的意义。然而,涉案舆情评价对象级情感分析面临着数据更新快而标注困难,使得评价对象及其情感难以识别和表征的难点问题。本文聚焦于涉案网络舆情评价对象的情感分析,通过有效利用舆情数据内在的多种不同类型的关系,构建半监督学习模型,从而解决评价对象情感分析中存在的问题。论文主要贡献和创新归纳如下:（1）提出一种基于对抗双决策的案件相关观点句识别方法。从涉案舆情评论中快速识别与案件相关的观点句是判别案件舆情数据质量的依据,也是后续情感分析的基础。现有方法需要充分的标注数据来进行观点特征学习。在待分析的新案件标注数据匮乏的情况下,可以借助已有案件的标注数据,通过域适应方法完成新案件观点句识别,但其在表征案件相关观点特征方面存在不足。为此,本文提出一种基于对抗双决策的案件相关观点句识别方法,充分利用案件背景描述文本与观点句之间存在的高度相关性,采用两个生成器编码两种不同的案件相关特征,并采用两个分类器分别基于不同的相关特征做出决策。通过生成器和分类器的对抗双决策过程,完成已有案件和新案件的观点句类别特征对齐,从而实现新案件的观点句识别。实验结果表明,在新案件没有任何标注数据或有一定标注数据的情况下,本文方法相比其他域适应方法和预训练方法都能获得更好的观点句识别性能。（2）提出一种基于变分双主题表征的案件评价对象挖掘模型。从评论中挖掘出显式评价对象词项,并将词项和评论划分到相应的类别中,可以直观展示舆情关注的不同方面。目前基于深度主题表征的评价对象挖掘方法没有有效利用先验知识,主题表征固定,且最终评价对象分类依赖人工推断。为此,本文提出一种利用主题表征、评论表征和词表征之间关系的对象词项挖掘方法。利用变分自编码网络对评论进行两次编码和重构,获取并结合两种不同的主题表征来重构评论表示,同时利用少量标签样本的类别信息引导网络进行微调,最终实现评价对象词项的挖掘和对象类别的自动分类。相比多种无监督和弱监督方法,本文方法能发现更多样和更具有可解释性的评价对象词项,同时在评价对象分类方面具有更好的性能。（3）提出一种基于事件图的案件评价对象分类模型。涉案网络评论中除了显式对象词项,还存在隐式评价对象,可以通过评价对象分类来对舆情指向的目标进行归纳。基于图卷积的半监督分类方法为对象分类提供了较好的思路,但在有效学习隐含类别特征方面存在不足。为此,本文有效挖掘和利用涉案舆情文本之间的关联性,即评论之间存在的案件关键词关联、回复关联、相似性关联等关联性,构建完整的事件图,通过图卷积学习评论表征并完成分类。实验表明,本文方法在很少的标注训练数据上取得了很好的效果,并优于多种最新的评价对象分类方法。（4）提出一种混合节点图张量学习的案件评价对象情感分类模型。对评价对象进行情感分类可以展示公众对于案件不同方面所持有的态度和立场。涉案舆情对象情感分类面临对象类别的表征不充分、情感表达不直接等问题。针对这一问题,本文利用情感词和对象类别约束下评论之间的不同关系,提出一种基于混合节点图张量学习的对象情感分类方法。将对象类别用对应词项进行扩展表征,并将评论及其对象类别视为一个混合节点,利用混合节点之间的语义相似性和情感相关性构建图张量,并通过图张量的学习模式进行混合节点的情感特征学习,完成对象情感分类。实验表明,本文模型相比多个先进的对象情感分析模型具有明显的优势,特别是在标注数据非常少的情况下,仍然可以保证相对准确的分类结果。