属性级情感分类任务旨在判断句子中针对某一个属性所对应的情感倾向,近年来,引起了自然语言处理领域学者的广泛关注。由于现有的相关研究大部分都是基于英文语料的,情感资源在不同语言上的分布并不均衡,跨语言的方法应运而生。跨语言属性级情感分类旨在使用源语言中的资源帮助目标语言进行属性级情感检测和分类,其核心问题在于如何实现跨语言知识的有效共享。本文针对这一问题对跨语言属性级情感分类展开研究,具体研究内容如下:（1）针对不同语言文本之间的语义关联问题,本文提出了一种基于注意力机制的跨语言属性级情感分类方法。首先,使用自注意力机制学习文本自身的特征;然后,引入跨语言注意力机制挖掘中英文文本对的关联特征;最后,利用特定于属性的注意力机制捕获关于属性的上下文特征,得到融合多情感、跨语言信息的句子表示。实验表明,基于注意力机制的方法有效构建了跨语言文本之间的关系,极大提高了跨语言属性级情感分类的准确率。（2）针对跨语言属性和句子的全局依赖结构问题,本文提出了一种基于图卷积网络的跨语言属性级情感分类方法。首先,利用整个语料库构建了一个跨语言的属性-句子异构图,将句子和属性视为图节点;然后,通过句子翻译关系、属性翻译关系和句子-属性共现关系来连接相关节点,捕获跨语言属性和句子的全局依赖结构信息;最后,将图结构和节点编码一起送入图卷积网络中。实验表明,基于图卷积网络的方法可以有效提取并整合双语语料库中的异构信息,帮助提升跨语言属性级情感分类的性能。（3）针对属性级情感分类标注样本有限的问题,本文提出了一种基于多任务学习的跨语言属性级情感分类方法。首先,抽取大规模的篇章级标注数据作为辅助训练集;然后,在该数据集上构造两个跨语言辅助任务:跨语言篇章级情感分类任务和中英文同义句判断任务;最后,联合学习主任务和辅助任务微调M-BERT模型。实验表明,基于多任务学习的方法可以有效传递篇章级文本和属性级文本共享的语义语法知识并捕获跨语言间的关联信息,从而提升跨语言属性级情感分类模型的性能。