近年来,以电子商务、网络媒体为代表的各类互联网平台和应用逐渐普及,海量的用户生成内容(User-Generated Content,UGC)随之产生。如何从海量的用户生成内容中提取有用的信息成为当今学术界的重要研究课题。意见挖掘系统的产生,为上述问题提供了解决方案。现有的意见挖掘系统在意见要素识别、解释性意见句识别、解释性意见片段极性分类工作中取得了重大进展,而对解释性意见要素之间存在的关系所开展的研究工作却非常有限。本文面向产品评论,运用深度学习方法,探索在不同的神经网络框架下,解释性意见关系识别性能,并根据实验结果进行理论分析,得出相应的结论。具体可分为以下三个方面:(1)基于CNN(Convolutional Neural Network)的汉语解释性意见关系识别:基于CNN框架,采用特征预训练的方法,探究距离特征以及极性特征对于解释性意见关系识别的影响。实验结果表明,距离特征以及极性特征的引入对于实验性能的提升有着重要的作用,距离特征优于极性特征。(2)基于LSTM(Long Short-Term Memory)的汉语解释性意见关系识别:针对上下文信息以及语义信息对于解释性意见关系识别的影响,采用LSTM框架以及Tree-LSTM(Tree-Structured Long Short-Term Memory)框架分别进行了解释性意见关系识别实验。实验结果表明,LSTM性能优于Tree-LSTM。(3)基于Attention的汉语解释性意见关系识别:为了进一步探究不同框架对于汉语解释性意见关系识别的影响,引入Attention框架,同时把Attention框架与CNN框架以及LSTM框架相结合,进行了Attention、CNN-Attention和LSTM-Attention框架下的汉语解释性意见关系识别实验。实验结果表明,LSTM-Attention框架优于Attention框架,Attention框架优于CNN-Attention框架。