情感分析作为自然语言处理的重要子任务之一,在学术界和工业界都受到了广泛的关注。该任务的目标是预测给定文本中用户表达的情感,情绪,观点和态度等。许多平台（如论坛、博客、社交网络、电子商务网站、新闻报道和其他网络资源）都可以表达观点,对这些观点的分析,可以用来理解用户对社会和政治事件、企业方针、经营策略及商品属性等的态度,从而进行舆情监控,改进公司产品和服务等。传统的情感分析算法,大部分基于人工规则、语法信息和机器学习算法,严重依赖外部工具和特征质量。近年来,随着神经网络在各种自然语言处理任务上取得成功,深度学习模型也被广泛地应用于情感分析任务中,并取得了很好的效果。目前的情感分析系统主要是数据驱动,根据大量特定领域标签数据训练神经网络模型,侧重通过对文本匹配的显式情感分析。这些工作把情感分析任务当做一个特殊的文本分类任务对待,忽略了情感分析任务本身的特性。情感分析任务是一个非常复杂的问题,具有情感表达的歧义性和含蓄性等特点,导致该任务中存在的几个亟待解决的问题:第一,情感分析往往涉及大量的领域,不同领域之间用户情感的表达也非常的不一致,导致迁移学习的效果不理想;第二,目前情感分析数据集由于标注成本很高,数据量很小,不足以学习领域情感知识,大大的限制了深度学习模型的效果;第三,大部分的工作关注构建领域通用或者独立的情感字典,而一些中性但在不同上下文中表达不同情感的词（如“快”、“热”等）,即情感常识知识,被目前的工作所忽略;第四,目前大部分工作关注浅层的情感识别,缺少情感推理,无法预测深层的情感。而这些问题存在,主要是由于目前的模型缺少领域情感知识和常识情感知识所引起的。因此,针对以上情感分析任务中的不足,本文分别从预训练、迁移学习、无监督情感常识抽取、结合外部知识的情感推理等角度进行深入探究,对现有模型进行隐式和显式地知识增强,在准确率上得到明显的改善。具体来讲,本文的主要贡献总结如下:（1）针对前述第一个问题,提出基于预训练的跨领域隐式情感知识建模算法。本文探究了基于文本中大量领域不变的情感知识预训练对于跨领域情感分析的有效性。本文提出了情感感知的掩盖语言模型以及单词和句子级别的情感感知的预训练目标,使得模型学习文本中包含的情感知识。实验证明,该预训练模型可以极大的提高模型在跨领域情感分析模型上的准确率。（2）针对前述第二个问题,提出基于层次迁移的领域内隐式情感知识建模算法。本文尝试将同一个领域句子级别的情感知识迁移到方面级情感分析任务中。本文将模型在采样得到的领域相关句子级别情感分析数据集上进行预训练,并在数据集较小的方面级情感分析任务数据集上进行微调,并探究了模型每一层对于最终情感分析的影响。通过大量实验证明这种迁移的方式可以大大提高方面级情感分析的效果。（3）针对前述第三个问题,提出无监督的显式情感知识构建算法。本文探究通过无监督的方式抽取文本中包含的情感知识,如“快”对于物流表达一种积极的情感,而对于耗电表达一种消极的情感。本提出了基于离散和基于连续两种扰动方式,抽取出修饰方面的观点词。人工评测和自动评测都表明本文的模型可以有效抽取文本中的情感知识。（4）针对前述第四个问题,提出基于图推理的显式情感知识建模算法。本文探究了基于情感知识和语法结构的情感推理对于方面级情感分析的有效性。本文提出用图神经网络对句法信息和情感知识进行分开和联合建模,从而进行更好的情感推理,取得了较好的性能。