随着互联网技术和电子商务的蓬勃发展,各种应用平台上涌现出许多带有主观情感的文本,正确分析这些文本中的情感倾向有助于实现多种智能服务应用,例如,舆情监控、企业征信、个性化推荐等。因此,情感分析受到了越来越多研究者的关注。本文研究的属性级情感分类是情感分析领域中一项细粒度的任务,旨在识别文本中针对某个具体属性的情感极性。现有的属性级情感分类方法大多依赖于标注样本,然而样本标注工作费时耗力。而且,相对于传统的篇章级和句子级情感分类样本,细粒度的属性级情感分类样本的标注难度更高,能够获取的样本资源十分有限。因此,目前属性级情感分类任务处于低资源状态。为了解决上述问题,本文展开了面向低资源场景的属性级情感分类关键技术的研究,具体研究内容如下:首先,本文提出了基于多任务增强的属性级情感分类方法。首先,除了已有的少量属性级情感分类语料,收集大规模天然标注的篇章级样本;其次,利用这些天然标注的篇章级样本构建两个辅助任务:篇章级情感分类和上下句情感连贯性判断;最后,将属性级情感分类和两个辅助任务进行联合学习。实验结果表明,本文提出的基于多任务增强的方法可以在属性级情感分类任务中获得较好效果。其次,本文提出了基于跨语言增强的属性级情感分类方法。跨语言属性级情感分类是指利用源语言文本中的语义和情感信息对目标语言文本中包含的属性级情感进行挖掘和分类。首先,该方法使用不同的BERT模型分别学习源语言文本和目标语言文本的语义特征,同时适应源语言和目标语言的语法特点;其次,将多个BERT模型学习到的文本表示彼此交互,从中挖掘更充分的属性级情感信息。实验结果表明,相比于传统的分类模型,本文提出的基于跨语言增强的方法在属性级情感分类任务中表现更好。最后,本文提出了基于篇章信息增强的属性级情感分类方法。该方法主要挖掘了篇章中存在的两种情感倾向性信息:属性内情感一致性和属性间情感偏向性。具体而言,首先,该方法构造了两个图注意力网络分别用于建模双重情感倾向,并以注意力权重衡量情感倾向性程度;其次,使用交互机制融合双重情感倾向性信息,得到文本表示;最后,将文本表示送入分类器进行属性级情感分类。实验结果表明,本文提出的基于篇章信息增强的方法能进一步提高属性级情感分类任务的性能。