意见挖掘是对具有主观情感的语言文本进行意见信息提取的过程,是自然语言处理领域的核心任务之一。其中细粒度的意见挖掘可以对指定目标进行精准化意见抽取,具有非常重要的理论研究意义和商业应用价值。随着深度学习的发展,利用神经网络进行细粒度意见挖掘成为一种主流方式。然而分析粒度的细化导致神经网络对关键信息捕获的难度急剧增加,在分析含有多个不同情感属性的评论文本时尤为突出,该类复杂文本中各类无关信息对目标属性的意见提取造成严重干扰。此外,多数细粒度意见挖掘任务只针对目标属性进行情感极性分类,无法完全表示目标属性的具体情感信息,致使意见挖掘不完整不全面。针对以上问题,本文以面向目标属性如何进行全面精准的意见挖掘为出发点,提出细粒度意见分类方法和意见词抽取方法。一方面,通过目标属性与文本之间进行相互指示关键信息位置,从而对相关文本赋予强关注,实现文本的纯化表示。另一方面,通过融合意见类别特征来增强情感指导能力,实现意见倾向性解释词的获取,对目标属性构成更全面完整的意见信息挖掘。本文的主要贡献如下:(1)提出一种融合多头交互指示机制的细粒度意见分类方法。设计多头交互指示机制,将目标属性与评论文本进行多头注意力机制计算,同时提取双方相关重要特征信息,从而去除与目标属性无关信息的语义编码干扰。设计中性标签平滑机制,在极性输出中添加噪声对模型进行约束,缓解隐含情感倾向的中性类别不可信问题,降低模型过拟合风险。引入Bert动态词嵌入模型,根据上下文微调不同语境文本向量,提高非结构化文本转化准确率。(2)提出一种联合目标情感极性的细粒度意见词抽取方法。设计极性指导机制,将显式的意见类别特征结合至属性隐层,利用情感极性类别信息来辅助指示下游语义编码。引入一种特殊的双向门控循环神经网络和自注意力机制,将目标属性与文本信息充分融合,实现对不同的目标属性、相同的评论文本提取更为有效的不同语义表示。通过对情感类别原因词的提取,加强了意见信息挖掘的全面性。本文是针对目标属性的全面性细粒度意见挖掘研究。实验结果表明,本文方法能有效提高意见分类精度,同时准确提取意见词,从而构成完整的信息挖掘。