情感分析,作为自然语言处理的重要研究领域之一,随着研究的深入以及网络文本情感挖掘的现实应用需求越来越大,作为更为细粒度的方面级情感分析越来越获得重视,已经成为研究热点。方面级情感分析模型,主要是基于深度学习方法,有不少实质性的进展突破。但是深度学习方法依赖标注数据集进行监督学习,而方面级情感分析任务数据集较少,这使得模型过拟合风险较大,容易陷入性能瓶颈和应用障碍。本文,提出基于多任务学习的方法,利用多个相关任务的信息帮助整体多任务模型的泛化能力提高,在一定程度上缓解过拟合问题。方面级情感分析,分为方面词提取任务和方面情感极性分类任务,虽然这两项任务关系密切,但是任务形式差异较大,这就容易导致多任务模型内部出现负迁移问题,从而显著影响多任务模型整体性能表现。本文,首先使用预训练模型BERT,训练得到文本的词向量。之后,将包含全局语义特征的词向量,通过使用混合编码方式,利用Bi LSTM结合CNN进行特征提取,分别为情感极性分类任务提取全局上下文特征;并为方面词提取任务,提取局部特征,从而提供所需词组边界信息。同时,将Bi LSTM所提取的特征归为特定任务的私有特征空间,将CNN所提取特征归于多任务共享特征空间。然后,针对负迁移问题,设计特征交互学习模块,主要引入多头注意力机制进行,实现多维度不同语义子空间的特征学习;从而对私有和共享特征,以及上下文表征和局部特征,进行有效的融合,并且控制不同特征空间的信息流向,提高特定任务所获取特征的质量。为了捕捉方面提取任务和方面情感极性分类的潜在关联信息,本文设计了任务交互共享模块,其核心原理是通过多头注意力机制在不同语义子空间进行相关性计算,获得两个任务之间潜在关联信息特征。最后使用关联信息语义对特定任务的中间隐藏状态进行更新,从而使得特定任务获得语义丰富的特征。最后,通过全连接层进行标签学习,并使用CRF推理出任务的输出标签。本文模型,使用细粒度情感分析任务所常用的Sem Eval2014以及Twitter等公开数据集进行实验。其中对比实验的结果验证了本文模型的有效,通过与多个基线模型相比,本文提出的模型在方面词提取任务和方面情感极性分类任务在精确率、召回率、F1值等客观评价指标均有一定的提升。并且,进行了消融实验,实验结果进一步表明本文所设计的特征交互学习模块以及任务交互共享模块,能够有效提升多任务模型的整体性能表现。