随着大数据时代带来的爆炸式数据增长,情感分析领域迎来了发展的新的阶段。该领域的主要内容是分析和处理信息,并将其中的情感内容进行抓取及分类。得益于机器学习方法的繁荣,情感分析在文本的处理上逐渐呈现一种细粒度化现象。历史上的情感分析发展经历了自文档级别到句子级别,再到文本对象级别的演变。文本粒度的变化体现了需求的变化,也展现出了情感分析领域发展壮大,不断进化的轨迹。目前的情感分析研究相较早期,其处理的文本更加精确,情感倾向更为复杂。通过将文本中的各种元素分类,并选出重要元素作为文本对象(entity)等做法,目前的研究相比过去获得了更好的结果。目前研究重点关注的文本对象是文本中承载重要信息的部分,如商品评论中关于商品的意见、社交网络中对选举人的态度以及股票论坛的关键字等等。文本对象可以在许多应用场景中发挥作用。而如何抽取出文本对象则是研究的关键。在目前已有的对象抽取方法中,多采取流水线处理的方式,即一次性处理数据,且用于处理对象间关系的方法较为简单,有些方法不采用对象间的关系作为特征,有些方法定义的关系较为简单。本论文提出了一种同时利用文本对象间“观点-持有人”和“观点-目标”两种关系来抽取文本对象的混合网络模型。该模型可以找出存在关系的文本对象,将其较为准确地抽取出来,并加以分析。本论文在构建该模型的过程中主要研究内容如下:1)对文本进行预处理,为其添加词性等特征。将待处理文本中的句子看作词语的序列,根据序列前后词语组合的概率,通过条件随机场的序列标注任务来获得初次抽取的文本对象。2)在1)的结果中添加对象间关系特征。将对象作为节点,关系作为边,构建体现两种关系的混合网络模型。每个节点根据是否在1)中被抽出被赋予不同的初值,通过在网络模型上用随机游走方法为候选对象打分。3)对抽取出的文本对象做情感倾向的分析。使用递归神经网络模型分别处理对象和整个句子,得到抽取出的文本对象能够代表句子总体情感倾向的结论。针对两个基线实验的对比实验表明本论文提出的基于词语关系的文本对象抽取模型可以准确地抽取文本对象,且表现优于两种基线方法。通过提高关系精度,该模型还具有更大的提升空间。