随着网络购物的快速发展,产生了大量与商品相关具有研究价值的评论信息。这些信息对平台的发展、商家的信誉和消费者的购物体验有着非常重要的指导意义。这些评论数量巨大,仅仅靠人力难以分析处理。情感分析就是运用自然语言处理相关技术商品评论进行研究,并提取评论中有价值情感信息的技术。但是普通情感分析无法识别出同一评论中不同对象的情感,而对象级情感分析则可以识别出评论中不同的评论对象以及这些评论对象的不同情感,是更细粒度的情感分析任务。针对对象级情感分析本文主要做了以下工作:(1)针对评价对象抽取任务构建了基于GCLSTM-CRF的评价对象抽取模型。模型利用CNN提取局部窗口信息,LSTM提取评论的上下文依赖信息,然后用门结构自动的融合了这两种信息,最后将学习到的特征表示送入到CRF层来全局搜索最优标注序列。经过实验对比,基于GCLSTM-CRF的评价对象抽取模型充分利用了局部信息和上下文信息,在评价对象抽取上取得了较好效果。(2)针对对象级情感极性判别任务构建了基于注意力机制的M-IAN模型和基于多重注意力交互的DIMN模型。M-IAN模型使用LSTM分别为评论上下文和评论对象建模,配合注意力机制提取对象与上下文之间的交互语义信息。DIMN多层注意力交互模型把对象和上下文的LSTM隐层输出作为记忆,添加了两个线性层结构,配合记忆结构不断地传递和捕获多重注意力信息,解决了复杂句子特征难以捕获问题。经过实验对比,对象极性判别模型DIMN则充分利用多重注意力信息解决了复杂句子特征难以捕获的问题,识别准确率相比对比模型大幅提高。