踏着人工智能的发展浪潮,文本情感分析技术通过对评论文本中的方面、观点、情感等进行分析计算,为人们获取观点信息提供了便利。文本情感分析技术按细粒度大小可分为篇章级、句子级和方面级情感分析,其中,方面级情感分析由于面向更具体的方面,拥有更广阔的应用前景。方面级情感观点提取（Aspect Sentiment Triplet Extraction,ASTE,也称方面级情感三元组提取）,是目前方面级情感分析的前沿研究课题,旨在提取一条句子中所有方面词、对应的观点词以及相应的情感极性组成的三元组。最近的研究使用联合框架,以端到端的方式执行三元组提取,消除了早期管道模型引起的误差传播的问题,取得了一定的效果的提升。然而,对于组成三元组的方面词和观点词,现有的大多数模型对于其边界关系的检测和指引关系的利用没有很好的处理方式,导致现有研究的效果仍然不够理想。针对这个问题,本文提出了一种基于多语言信息的方面级情感观点提取方法（Semantic and Syntactic Enhanced Residual Grid Tagging Scheme,简称SSRG）,旨在帮助模型实现更为精确的方面、观点词的边界检测,并增强方面词和观点词之间的相互指引,从而获得更好的观点三元组提取效果。SSRG模型基于预训练模型BERT作为语义编码器,构建图注意力网络GAT聚合句法信息,通过门控机制融合语义和句法信息,以增强模型对方面、观点词的边界检测和对方面词和观点词之间指引关系的利用。另外,引入了残差网络优化对标签网格的推理过程,利用词对关系进行推理的同时,缓解了模型在推理过程中面临的多语言信息丢失的问题,从而进一步利用了多语言信息。本文在四个Sem Eval数据集上对SSRG模型进行了广泛的评估验证,实验结果显示,本方法实现了先进的性能表现。此外,还对SSRG模型进行了进一步分析研究,通过消融实验验证了模型中重要模块的有效性,并分析了推理次数对模型性能的影响,最后通过案例分析展现了模型对较为复杂的文本评论的提取效果。