情绪原因提取任务是自然语言处理领域中最重要的应用之一,是文本情绪分析的一种。该任务的主要目的是从大量的文本数据中提取出导致情绪词产生的原因。目前对互联网文本情绪分析的研究较多,但是大多数研究仅仅关注情绪类别,属于比较浅层的情绪分析,这对文本情绪分析而言是远远不够的。因为大多数时候决策者更关心到底是什么原因导致了这些情感,由此衍生出了更深层次的情绪分析任务:情绪原因提取。但是由于情绪描述和文档之间存在着复杂的语义信息,因此这是一个艰巨的挑战。为了提升情绪原因提取的效果,本文就两个方面提出了改进措施,并分别利用实验进行了验证。这两方面分别是:情绪原因提取任务中存在的只在词级别进行编码的不足问题,以及把情绪原因提取任务看作是独立的子句分类问题而忽略了子句之间的关联的可改进问题。针对第一个问题,本文采取层次网络结构(一层编码词,一层编码子句)进行改进。而对于后者,本文将相对位置信息编码引入情绪原因提取算法中,并通过实验比对验证了加入相对位置信息的可行性。考虑到以上原因,本文基于深度学习技术,在新闻文本上针对情绪原因提取任务展开了一系列的探索和研究之后,建立了基于注意力机制的层次Bi-LSTM情绪原因提取算法。这是一个新的层次网络结构,它证明了学习多个子句之间相关性的重要性。另一方面相对位置信息的引用使得模型效果获得了额外的性能提升。第四章的实验结果表明,本文所提的情绪原因提取算法对情绪原因提取任务有着重要的应用意义。