属性级情感分析是一种细粒度的情感分析任务,针对商品评论,旨在分析出用户对于商品某一属性的情感倾向。具体可分为属性抽取与情感分析两部分,其中属性抽取作为其核心子任务一直是性能瓶颈之一。在众多影响抽取效果的因素中有两点极为重要,一是评论文本中噪声信息远多于属性描述,对属性词的发现造成极大干扰,影响属性词的召回率;二是属性词在精确定位时容易产生边界错误,影响抽取准确率。基于此,本文提出了基于范围检测的属性词抽取和基于边界控制的属性词抽取方法,分别去解决对应的两个问题。此外,端到端的属性级情感分析也逐渐变成该领域的一个新趋势,本文综合上述两点提出了一种结合边界信息的细粒度情感分析方法,并结合提示学习（Prompt learning）进一步优化了抽取质量。具体而言,本文的研究内容主要包含三个方面:（1）基于范围检测的属性词抽取方法针对商品评论中过多的噪声信息,本文提出了一种基于范围检测的属性词抽取方法,去分辨文本中哪一部分存在属性描述,从而过滤噪声信息。通过范围检测模块估计属性描述的大致位置,从而降低属性词的召回难度,让模型更关注于抽取的核心信息。本文基于span-based抽取模型设计出了一种两阶段的范围检测与属性词抽取的联合学习方法,一阶段联合学习范围检测与属性抽取,二阶段利用已知的属性描述进行属性抽取的推理。此外,本文还以预训练模型BERT的Segment Embedding作为模型感知范围信息的方法。（2）基于边界控制的属性词抽取方法针对属性抽取过程中常出现的边界错误问题,本文基于双仿射注意力网络提出了一种针对属性抽取的边界控制方法,对所预测的属性词做边界的重新估计,从而缓解边界错误。将属性抽取与边界控制做联合学习去加强模型对于属性边界信息的学习,并以集成学习的方式通过双向边界控制对属性边界进行校准从而提高属性的置信度与准确率。此外,本文还将方法拓展至多头结构去进一步提升抽取结果的鲁棒性。（3）结合边界信息的属性级情感分析针对传统pipeline属性级情感分析方法中存在的误差传播等问题,本文对端到端的属性级情感分析方法进行研究,基于范围检测与边界控制提出了一种结合边界信息的属性级情感分析方法。以提示学习的方式将两种方法的核心思想融入到预训练语言模型的预训练任务中。最后搭建了一个基于属性级情感分析的商品属性舆情分析系统,将所提出的方法在淘宝评论这一工业场景进行落地实验,化学术成果为工业产出。综上,本文提出了基于范围检测的属性词抽取方法和基于边界控制的属性词抽取方法,通过范围检测过滤噪声信息提高属性抽取的召回率,并以边界控制遏制抽取属性的边界错误提高属性抽取的准确率。本文还探究了端到端的属性级情感分析任务,构建结合边界信息的属性级情感分析方法,并基于提示学习方法对预训练语言模型做属性情感预训练任务,进一步提升抽取结果。最后,搭建了一个基于属性级情感分析的商品属性舆情分析系统,完成学术落地。