互联网中幂式增长的在线体验数据给传统的数据分析方法带来了巨大挑战,基于深度学习的情感分析算法有效节省资源的同时还帮助用户快速准确从大数据中获取其他用户意见倾向。视点级的情感分析任务突破了粗粒度的篇章级和句子级分析过于理想的假设条件的限制,使得分析过程更加类人。其分析结果包含一条意见文本中所有视点项的情感倾向,这也是其他级别缺失的。因此,多视点的情感分析任务可以最大化获取文本中的有效情感信息,是目前情感分析领域的一条重要研究分支。本文聚焦于视点级别的情感分析工作,首先归纳了基于深度学习的多视点情感研究中存在的四项技术挑战,分别是:如何让模型根据词语对文本情感表达的贡献程度加以区分;如何建模输入文本和视点词之间的语义关系;如何应对特定词的“视点词敏感性”问题;如何缓解有标注数据集的局限性。其中有标注数据集的局限性是当前深度学习领域普遍面临的一项技术瓶颈,主要体现于样本数量的有限性和样本质量的偏差性这两点。在这样的背景下,本文分别提出了一系列基于词性知识辅助的多视点情感分析算法和基于视点词交互的多视点情感分析方法来应对以上四点挑战。本文发现一些词性常常隐含表达者的情感倾向,若将其作为先验知识引入到建模过程中会增强模型判断单词所含情感信息多少的能力,有利于解决第一、四点挑战。基于视点词交互的多视点情感分析方法旨在过滤无关情感特征,且清晰划分每个视点项的情感辐射区域。由此,第二、三点技术难点也会得以解决。最终将它们融合得到词性感知的多视点情感分析模型IPAN。实验结果显示,最终得到的词性感知的多视点情感分析模型和10余种基线模型相比具有强劲的竞争力。不仅如此,本文丰富的探究实验也证明了所提出的模型和其中涉及到的算法的有效性。