评价对象抽取是细粒度情感分析的重要环节,也是进行精准产品评论挖掘或舆情监控的重要基础。基于模板规则的抽取方法,由于简单高效,在实际场景上已然成为首选方法,然而,模板规则的制定往往针对特定领域且常会遇到匹配顺序冲突问题;基于条件随机场的方法虽没有模板规则的这些问题,但其也需要依靠大量手工挖掘特征的过程,这些特征的好坏对抽取性能具有决定性的作用。因此,学者们开始研究如何自动地从评论文本中学习到这些特征。近年研究发现深层神经网络具有自动学习特征表示的能力,因此基于深度神经网络的评价对象抽取已成为此领域的重要研究方向。本文针对基于深度神经网络进行评价对象抽取时存在的问题,研究如何把语言学中的形态、词法、句法结构等先验知识与深层神经网络进行结合,以此进一步提升评价对象的抽取性能。在对评价对象抽取问题进行细致的分析综述的基础上,本文的主要研究工作和创新性如下:(1)分析解构了目前领先的基于深度学习框架的评价对象抽取方法,研究了传统机器学习方法和深度学习方法在词语语义表示的不同以及在短文本背景下词语以密集型向量表示的优势;对比了在评价对象抽取任务中深层网络不同的构建模式以及这些网络在层次、拓扑结构上的联系。(2)针对深度神经网络在进行评价对象抽取时存在的不足,提出了一种融合句法结构信息的改进模型。探究了评价对象在形态学、词性、依存句法结构等语言学上的特性,并利用这些特征信息,通过字符级词向量缓解未登录词问题,添加了词性向量表示,并进一步利用依存句法结构设计了词语之间依存信息的传递机制,增强了信息的跳跃传送,最后再结合条件随机场的标签依赖关系建模能力以实现评价对象抽取。(3)设计对比试验证明了提出的融合句法结构信息深度语义模型优于其它最新方法,并设计了剥离实验验证了模型的不同组件对实验结果的贡献。在公开数据集上的实验结果表明,提出的改进模型不但明显优于传统的机器学习方法,还进一步超越了目前领先的模型。