人们经常在博客、论坛、在线评论、电子商务平台等社会媒体中对于某些事物表达个人观点、态度和情感,这些评论是准消费者决断的重要资源,也是产品或服务提供者汲取意见的重要依据。本文针对大规模产品评论文本进行细粒度的情感分析研究,旨在有效抽取出评论文本中的显式和隐式的评价对象、观点词并进一步判断出用户表达的情感,本文提出一种基于多任务联合学习方式捕获不同任务间的语义关联信息,有效地提高了系统识别地准确率。这种细粒度的属性级情感分析研究对情感分析任务具有重要的学术价值和应用价值。本文主要研究工作如下:1.基于改进记忆网络的属性级情感极性分类方法。记忆网络在解决面向评价对象的情感分类时,只关注了词级简单语义,且忽略了序列自身语义信息。本文提出使用卷积多头自注意模块提取记忆,再用评价对象的向量表示做多跳注意力计算,从而弥补了记忆网络存在的缺陷。在Sem Eval-2014 Restaurant(AT)、Sem Eval-2014 Laptop、Sem Eval-2014 Restaurant(AC)、Sem Eval-2016 Tweet四个数据集上超过所有基线方法达到最优,准确率分别提高了3.10%,2.91%,1.83%,2.02%。面向评价对象的情感极性分类的前置任务是评价对象识别,包括属性词的抽取和属性类的识别,本文分别使用序列标注模型和联合学习的多标签二分类模型对属性词抽取和属性类识别的方法进行了研究。2.基于多任务联合学习模型的属性级情感分析方法。以往大部分研究方法将评价对象的识别及其情感分析作为独立的任务研究,而在应用需求的驱动下往往需要并行任务的结果。流水线处理方式会导致错误累积,且不能学习到一些跨任务的重要关联信息。本文提出了一种相关子任务的联合解决方案,一站式解决应用需求的多个任务。具体包括属性类和属性词的同时识别;属性类及其情感极性的同时判断;属性词及其情感极性的同时抽取三个方面。本文的研究重点在于同时解决不同任务,并利用任务间关联信息提高各个任务的性能。实验结果表明,我们的方法在Sem Eval-2014 Laptop数据集上超过所有基线系统达到最优,在属性词抽取任务上F1值比基线方法高了0.54%,在属性词及其情感极性判断任务上F1值提高了0.28%。3.融入观点词信息的属性级情感分析方法。属性级情感分析中,人们主要关注评价对象及其情感,而观点词(opinion terms)也是重要的情感要素。观点词和属性词之间可能存在相互依赖的句法关系;而观点词又是判断情感表达的重要依据。本文提出了一种属性词和观点词抽取及属性词的情感极性判断的一站式解决办法,利用三个任务间的依赖关系,试图提高各个任务的性能。在Sem Eval-2014Laptop、Sem Eval-2014 Restaurant、Sem Eval-2015 Restaurant三个数据集的观点词抽取任务上达到最优,F1值比基线模型分别提高了3.49%,0.81%,3.26%;在Laptop数据集的属性词及其情感极性判断任务上提高了2.42%。