随着社交媒体的迅速普及,大量关于表达个人或组织的情绪、意见和态度的文本数据出现在了网络中,这些文本包含的丰富情感信息对个人、组织或者国家都具有重要意义。情感分析起初的研究以基于规则的方法为主,但鉴于问题本身的复杂性及人工智能技术应用的普及,基于机器学习的情感分析方法已成为目前主流的研究方法。情感-原因对提取任务和面向方面的细粒度意见抽取任务是情感分析中两个比较困难的任务,也是本文研究的目标。情感-原因对提取任务作为句子级情感分析任务,旨在提取文档中的情感子句和相关的原因子句。尽管现有方法已取得较好结果,但大多数方法都忽略了情感子句与原因子句的顺序信息,且部分方法存在重视情感信息,忽视原因信息倾向。为了捕获顺序信息并且使其在模型中发挥帮助作用,本文提出了一个基于句子顺序引导的深度预测模型,该模型中包含三层不同方向的LSTM网络以获取三种句子顺序信息。另外为了减少模型过于注意情感信息而忽视原因信息的问题,设计了两个并行的词编码器来分别学习情感信息与原因信息。在公开的英文与中文数据及上的实验结果表明,考虑句子顺序特征的方法能有效提升情感-原因对提取的效果。面向方面的细粒度意见抽取任务作为方面级情感分析任务综合性最高的任务之一,旨在从句子中提取成对（方面项、意见项）或意见三元组（方面项、意见项、情感极性）。然而,现有的方法主要针对单词进行编码,忽略了词组项信息。另外,由于解码阶段不区分单词和词组,导致句子中是词组的方面项和意见项的提取效果不佳。为了在不影响单词信息的情况下获取词组信息,本文基于单一表格标记方法设计了一种针对词组的多重表格标记方法。该方法首先需要通过单词表示得到词组表示,并且分别对单词和词组表示组成的表格进行标注,最终综合两个两个表格的标注结果作为最终结果。在四个数据集上的实验结果验证了考虑词组信息的方法是有效的。