细粒度情感抽取是指从带有主观情感色彩的文本中,提取出描述目标、观点词以及情感极性三要素的技术,目前在风险管理、个性化推荐等场景下具有广泛应用。在非限定目标域的条件下,本文基于预训练语言模型BERT编码的字向量,引入迁移特征,提出了两阶段情感抽取模型,克服了基线模型中存在的实体边界误判等问题。首先,文本设计了基于序列标注的基线模型。该模型采取流水线思想,分为目标、观点实体抽取以及情感多分类两个独立模型。在训练中采取BIO、start-end标注策略,完成序列到序列的目标、观点实体抽取任务。与此同时,构造目标集、观点集的笛卡尔积组合,以目标-观点组合、原文本为输入,建立情感多分类模型。预测阶段,使用第一个模型的实体识别结果,目标-观点与原文本组合后由分类模型判断是否为有效组合以及情感极性。最终,输出所有有效的情感三元组。经实验验证,基线模型存在三个显著问题:一、忽略了目标实体、观点实体之间的潜在因果关系;二、误差积累产生显著不良影响;三、实体识别模型在小样本下表现不佳。针对问题一、二,本文引入先验目标信息,设计了一个端到端的两阶段抽取方案。在第一阶段,基于BERT编码字向量,采取start-end标注策略抽取文本中所有可能的目标实体。将上一阶段中抽取的目标实体首尾字向量作为先验信息,加入到观点-情感联合抽取阶段,即将目标-观点之间的潜在关系纳入模型。另外,即便并未抽取到目标实体,也不影响观点-情感预测,并且两个阶段一起训练,克服了误差积累问题。针对问题三,本文引入外部迁移特征,补充额外信息辅助观点-情感抽取。首先,本文收集了约20万条评论文本,在基于双向长短期记忆网络（Bi-LSTM）的情感分类模型中,加入注意力机制。这样一方面提升了分类精度,另一方面可以从中提取注意力权重作为潜在观点信息。在注意力权重的处理上,本文利用观点词中的词性频率作为系数,对潜在观点信息进行显示表达后迁移至观点-情感抽取阶段。最后,经实验验证,加入迁移特征后的两阶段抽取模型,相较普通的两阶段模型,召回率、精确率、F1分别有6.0%、10.6%、8.7%的提升。在结果分析阶段,本文分别比较了迁移特征引入前后的两个模型,在目标词、观点词上的提取效果。可以发现,在引入迁移特征后,无论是目标还是观点,各项评价指标均有不同程度的提高,但观点词抽取的提升效果更加明显。以精确率为例,目标词抽取提升7.3%,而观点词提升8.0%。综上所述,本文设计的两阶段情感抽取方案以及引入迁移特征后的改进方案,实现了端到端的细粒度情感三元素的抽取,在样本量较小时也有不错的应用效果。在实际应用中,具备快速归纳文本中情感表达的能力。