互联网的开放性使得用户可以在网上对参与过的活动发表评价,同时也为其他用户提供决策参考。爆炸式增长的信息量使得人工分析变得困难,对这些来自用户的评论进行自动化情感分析,具有较高的理论分析和实际应用价值。方面级情感分析是一种细粒度情感分析任务,基本的任务目的是寻找评价的对象以及对应的情感极性,也因此更具有挑战性。方面级情感分析有许多子任务,其中最基本的是方面词抽取以及方面情感分类。本文从三个方面讨论了如何构建鲁棒的方面级情感分析模型,分别为构建更强的模型、针对一般词替换攻击的防御措施以及任务相关鲁棒性问题的研究,具体内容如下:首先,本文提出了基于BERT的端到端旅游评论意见挖掘方法,将联合任务建模为统一的序列标记任务。利用BERT以及span抽取方法对方面级情感分析联合任务进行增强,并应用到了中文旅游评论中。针对中文评论存在的方面词缺失的问题,本文修改了联合任务的指向以得到较为完整的观点表达。相比于经典的序列标注方法,本文的方法取得了更好的效果。同时,本文构建了基于中文旅游网站评论的数据集,可用于中文方面级情感分析各个子任务的研究。其次,基于深度神经网络的脆弱性,本文提出了基于对抗训练和鲁棒性验证技术的防御方法,对一般的词替换攻击进行防御。具体的,通过对抗训练对模型进行增强,结合基于随机平滑的鲁棒性验证技术构造可证明的边界约束。通过在给定方面的情感分类模型上进行实验,证明了该方法在词替换攻击场景下的有效性。并且该方法可以忽略模型内部结构,成功应用在模型结构较为复杂的方面级情感分析任务中。最后,虽然单个子任务已经有了比较好的任务效果,但其鲁棒性问题依然值得探究。方面级情感分析具有特定的任务目的,一般的词替换攻击并不具有任务针对性。基于此,本文提出了针对方面级情感分析任务的鲁棒性问题,并提出了情感混淆攻击方法对相应问题进行探究。具体的攻击方式是对目标意见词进行同义词替换,以及非目标意见词进行情感翻转操作构建对抗样本。实验首先对生成对抗样本的质量进行了评估,并在不同的模型上进行攻击操作证明了方法的有效性,也体现了目前先进模型存在的鲁棒性问题。之后根据模型的表现,探讨了不同的结构以及融合的信息的影响。