近些年来,互联网快速发展,人们逐渐习惯在社交平台上发表评论。这些在线上发表的带有情感的评论反映着大众对不同事物的喜恶。对带有主观情绪的评论进行情感分析能够帮助企业了解大众的对产品的需求,从而及时进行调整;同时能够帮助政府了解民情民意,从而能够在舆情发生的早期阶段进行及时地引导。情感分析研究按细粒度高低,分为篇章级情感分析、句子级情感分析和方面级别情感分析。方面级别情感分析相对于前两个粒度来说更加强调人们发表情感所指向的单一的对象。在现实生活中,经常会出现在同一个句子中,人们对两个对象发表相反情感的情况。这种情况下,篇章级和句子级的情感分析没有方面级别情感分析更适用于现实情况。方面级别情感分析包括方面词抽取、观点词抽取、方面词情感分类等子任务。深度学习技术大幅发展后,针对某一个子任务的研究相对来说更加丰富,将某几个子任务联合在一起解决的研究相对较少。在现实生活的场景下,能够一次性实现对文本的方面词抽取和方面词情感分类的方法,相对于只能实现某一个子任务的方法更加方便且节省人力。方面级别情感分析的难点在于如何识别存在于句子中多个主观情感指向的对象,以及如何识别对于不同方面词的情感极性。最近兴起的Prompt研究的核心思想是给模型以模板形式的提示,让预训练模型能更好地“回忆”起在预训练阶段已经学习到的知识。可见,这两者天生有某种程度的契合性,将Prompt方法与方面级别情感分析结合在一起,通过合理的设计,就能够让模型更加“理解”我们所询问的方面词。与此同时,方面级别情感分析由于其细粒度,对数据集的要求相对较高,标注的复杂性也相对提升。而Prompt能够在zeroshot和few-shot场景下也能发挥相对于其它模型更加优秀的性能。在本课题中,我们分别探索基于Prompt的方法构建方面词抽取模型、方面词情感分类模型,最后择优构建一次性解决两个子任务的联合模型。针对方面词抽取模型,我们分别提出了确定开始位置和结束位置的Pipeline模型和基于Prompt方法的判别器的后处理模型。通过构造合理的伪数据,判别器模型能够有效地识别BERT序列标注出的方面词中存在的边界错误问题,提升了模型整体的表现。针对方面词情感分类问题,我们基于Prompt的三种实现方式实现了方面词情感分类模型,并验证了其在zero-shot和few-shot场景下的实验效果。最后,我们将两个任务联合在一起,实现了Pipeline和Joint模型。因为在方面词抽取过程中采用的是后处理的方式,所以能将方面词视为一个整体,在进行判断时语义完整性相对于序列标注来说更强,从而也避免了使用序列标注实现联合任务不可避免地情感不一致性问题。基于Pipeline模型取得了相对于其他Baseline模型更好地结果。相对来说,Joint模型取得的效果一般,分析可能是因为两个子任务之间没有很强的耦合性,进行联合学习时会互相带来噪声,影响对方的学习。在Sem Eval2014中餐厅（Restaurant）数据集上的实验结果证明,Prompt与方面级别情感分析任务有较强的契合性,能够取得令人满意的效果。同时我们提出的基于Prompt构建的判别器后处理模型在方面词抽取任务上能够避免方面词边界错误和联合模型中的情感不一致性问题。