随着互联网技术和全球电商业务的快速发展,亚马逊、天猫国际、全球购等跨境电商平台成为了人们必不可少的购物工具,上亿用户对商品或服务做出评价,分享他们的购物体验。利用自然语言处理技术对这些包含用户情感的评论文本进行情感分析对于消费者和生产者具有十分重要的参考价值。但是,不同语言的情感语料资源在数量和质量上分布不均匀,人工标注工作耗时费力,从而无法更好地对情感资源不足的语言进行情感分类。跨语言情感分类即利用一种语料资源丰富的语言来辅助另一种语料资源匮乏的语言进行情感分类的技术,是目前自然语言处理领域的研究热点。但是,现有的跨语言情感分类研究均集中在文档级或句子级层面,而忽略了跨语言属性级情感分类方法的研究。针对这一问题,本文展开了面向电商评论的跨语言属性级情感分类关键技术研究,具体研究内容如下:首先,本文提出了一种基于翻译匹配的跨语言属性级情感分类方法。该方法利用机器翻译工具将源语言语料翻译为目标语言,通过多头自注意力层和自适应融合层建模属性级表示进行跨语言属性级情感分类。针对机器翻译工具导致的域偏移问题,本文利用翻译匹配的域适应方法减少翻译语言与自然语言之间的分布差异。此外,由于属性情感极性的判断依赖于与该属性相关的一组词或短语而与句子整体表达无关,本文首先利用多头自注意层建模目标翻译语料中属性与句子之间的细粒度交互,然后通过自适应融合层获得属性级向量表示,充分利用有效的属性情感信息提升跨语言情感分类性能。实验结果表明,该方法在处理跨语言属性级情感分类任务时较其他基准模型取得了较优的性能,后续的消融实验进一步验证了该方法的有效性。其次,文本提出了一种基于强化蒸馏的跨语言属性级情感分类方法。该方法在知识蒸馏框架下结合序列选择机制完成跨语言属性级情感分类。具体来说,该方法首先训练一个分类性能较好的源语言分类器作为教师网络,教师网络在训练阶段参数冻结并为目标语言分类器,即学生网络,提供软化的属性情感极性分布从而实现跨语言知识蒸馏。其次,机器翻译得到的翻译结果与自然语言相比,往往存在一些非常用词和翻译歧义,这些翻译噪声词对特定属性的情感分类没有参考价值,并且会增加目标语言分类器建模属性与句子细粒度交互的难度,因此本文提出属性敏感的序列选择器用于过滤翻译文本序列中的噪声词,该序列选择器使用强化学习算法进行训练。实验结果表明,该方法能有效去除翻译句子中的噪声词问题,帮助目标分类器生成更高质量的属性级向量表示,并在跨语言蒸馏框架下获得更好地泛化能力。最后,本文提出了一种基于跨语言预训练的跨语言属性级情感分类方法。该方法提出两个针对性的跨语言预训练任务用于增强预训练模型的跨语言对齐能力,预训练后的模型可以将源语言表示与目标语言表示映射到同一向量空间中,在不借助任何外部语料资源和机器翻译工具的条件下完成零资源跨语言属性级情感分类任务。具体而言,在预训练阶段,本文拟提出一种基于＜源语言,目标翻译＞句子对的预训练任务来提升多语言BERT的跨语言对齐能力。其中,预测遮蔽词任务鼓励模型对齐源语言与目标翻译表示增强模型词语级语义对齐能力和跨语言表示能力;预测下一句任务通过预测每个句子对中的源。目标语言句子是否表达同一语义增强模型句子级跨语言表示能力。在微调阶段,本文利用带属性级标注信息的源语言语料微调模型,微调过程中通过冻结部分模型参数来避免灾难遗忘问题。实验结果表明,该方法通过两阶段训练方法显著提升了跨语言属性级情感分类的性能,在零资源场景下取得了与基于机器翻译的跨语言方法相当甚至更优的性能。