细粒度情感分析,也称为基于方面的情感分析,其目的是根据评论文本,提取和识别出某一实体的某个方面或属性的情感信息。随着互联网中各种评论不断涌现,如何准确、自动地对一段文本进行特定方面的情感分析成为了自然语言处理领域中一个广泛研究的课题。目前针对细粒度情感分析的研究方法绝大多数采用了有监督的深度学习算法。为了训练这些算法,前期需要收集和整理大量相关领域的文本数据并为每条数据进行手动标注,这些工作往往是费时,费力的。据我们所知,目前仅有少数的研究在细粒度情感分析任务中引入半监督学习算法来解决上述问题。因此,为了显著减少算法训练而做的前期工作,本文提出了一个新颖的基于半监督学习的框架,并展示了该框架如何使用有标签数据和无标签数据的融合信息实现对餐厅评论和学术论文评论中包含的方面情感的预测。本文主要的研究内容可以概括为:（1）考虑融合无标签数据提供的信息,本文提出了一个半监督学习的多层降噪编解码器框架（SEMDED）。该框架将解码器中降噪函数计算的重构变量和无噪编码器输入之间的损失用于无监督训练。同时,加噪编码器的损失用于有监督训练并将两个部分的损失相加作为半监督学习的损失函数。此外,为了使模型更好地处理情感预测任务,本文为半监督框架专门设计了混合注意力模块。该模块的引入所构建的SEMDED＿MA模型能更关注于包含特定方面信息的文本碎片。在相同的实验条件下,SEMDED模型在准确率和Marco-F1方面均优于基准模型,且注意力增强后的模型SEMDED＿MA仅使用少量有标签数据在三分类任务中达到了66%的准确率和63.71%的Marco-F1值。（2）考虑到处理长文本序列所需的内存大小和耗费时长随文本长度呈二次方的增长,本文在第4章中引入了稀疏注意力机制改进了提出的SEMDED＿MA半监督学习模型使新的模型能应对长序列文本输入的场景。通过在真实的学术论文评论数据集上的实验证明改进后的模型能针对长文本输入生成更通用的文本表示有利于模型的预测。此外,稀疏注意力机制的引入能有效地减少因为数据长度引起的训练时间长的问题。综上所述,为了解决细粒度情感分析任务中有标签数据获取困难,标注数据过程代价高以及长序列数据难以输入模型用于训练的问题,本文分别提出了基于编码器和解码器的半监督学习框架和基于稀疏注意力机制的模型。所提出的模型在多项性能评价指标中均得到了有竞争力的结果。因此,本文的研究具有一定的应用价值,为细粒度情感分析任务提供了新的解决方案。