近年来随着电子商务和社交媒体的迅速发展,越来越多的人活跃于网络中并产生海量文本数据,其中包含着大量的情感信息,为了挖掘和获取文本中有价值的情感信息,产品评论文本的情感分析研究受到越来越多的关注。文本情感分析是挖掘人们在主观性网络文本中表达的态度、情绪。本文考虑到在判断文本的情感倾向时不同句子的重要程度不同,对英文评论文本进行基于关键句抽取的情感分类。同时,本文对评论文本中细粒度的评价对象进行识别,使情感分析工作更加细化。具体研究工作如下:在基于关键句抽取的情感分类研究中,针对已有的方法大都是基于特征属性权重抽取情感关键句,忽略了Title和上下文信息的问题,本文提出了基于Title和加权TextRank抽取关键句的情感分类研究。首先通过两个途径抽取情感关键句,一方面构建扩展语义规则模板和情感词典,基于此计算Title的情感得分,从而判断Title的贡献度,以此来决定Title作为情感关键句的条数;另一方面,根据加权TextRank算法思想,在文本正文中构建一个情感句加权有向图来提取关键句,并详细介绍了四个影响有向边权重的因素。然后将情感关键句、细节句和全文句得到的情感分类结果分别作为特征,利用xgboost算法进一步对文本情感倾向进行判定。最后实验结果表明本文提出的关键句抽取算法能极大程度上提高情感分类效果,并验证了情感关键句的优势及其和细节句的互补性。在评价对象的识别研究中,针对统计学习方法中特征要人为设定和深度模型依赖大量标注数据、缺乏先验知识的问题,本文提出了融合知识指导和并行模型进行集成学习的评价对象识别研究。首先构建拼接词向量作为模型的输入,由三部分组成:特征词向量、Glove词向量和Elmo加权平均词向量,其中特征词向量中嵌入了产品名领域词典。然后构建了四个并行的深度模型进行集成学习,每个个体深度模型由以下几部分组合组成:双向长短期记忆模型LSTM、注意力模型Attention、条件随机场CRF或Softmax函数。再利用并行模型识别结果和词性、句法分析树关系等先验知识,提出融合知识指导的规则模板来改进投票策略。最后实验结果表明本文构建的并行个体深度模型的有效性及融合知识指导的规则模板改进投票策略的高效性。