方面级情感分析是文本情感分析任务的研究重点,其基础子任务包括:目标词抽取、意见词抽取和方面级情感分类。传统的目标词和意见词抽取工作是独立完成的,割裂了目标词与意见词之间的联系。针对上述问题,最近的研究工作提出了面向目标的意见词抽取任务,其旨在根据句子中特定的目标词抽取与其对应的意见词。当一个句子中存在多个目标词时,准确的捕捉目标词和相应意见词之间的联系仍然非常具有挑战性。本文针对面向目标的意见词抽取任务进行研究,主要的创新工作如下:（1）目前面向目标的意见词抽取方法集中于依赖语义特征完成任务,没有考虑到句法特征。针对这一问题,本文联合图卷积网络（Graph Convolution Network,GCN）和图注意力网络（Graph Attention Networks,GAT）对融合目标词语义特征的神经网络模型（Target-oriented Opinion Words Extraction with Target-fused Neural Sequence Labeling,IOG）进行改进,设计了IOG-GCN-GAT模型。首先使用IOG学习特定于目标词语义特征的上下文表示;随后使用GCN和GAT充分挖掘句法依存树中的句法信息;进一步地,拼接每个单词的语义特征和句法特征得到最终的上下文表示;最后使用softmax完成面向目标的意见词抽取任务。通过补充句法监督信号,模型有效提升了面向目标的意见词抽取效果。（2）IOG-GCN-GAT模型使用的句法依存树是对句子解析而得到的,因此句子中不同的目标词使用的是相同的句法树,这导致模型无法充分利用目标词的特征。针对上述问题,本文集成双向长短期记忆网络（Bidirectional Long-Short Term Memorry,Bi LSTM）和在面向目标的句法树（Aspect-oriented Dependency Tree,ADT）上建模的双向图卷积神经网络（Bidirectional Graph Convolution Network,Bi GCN）,提出了Bi LSTM-ADTBi GCN模型。对于每个特定的目标词,模型根据句子的依存句法树,构建以目标词为中心结构树。首先使用Bi LSTM学习上下文语义特征,随后使用Bi GCN在ADT上挖掘句法特征。Bi GCN能够自上向下的把目标词信息传播到上下文中,并自下而上的把上下文信息聚合到目标词。实验结果表明,Bi LSTM-ADTBi GCN能有效提升面向目标的意见词抽取效果。（3）上述模型引入句法信息十分依赖句法解析器,而句法解析器的解析结果并不是最高效的。针对上述问题,本文在IOG模型的基础上,集成了一种在Ro BERTa预训练模型诱导树（FT-Ro BERTa Induced Tree,FRIT）上建模的图卷积神经网络（GCN）,提出了IOG-FRITGCN模型。具体来说,根据面向目标的意见词抽取任务对Ro BERTa完成微调后,使用扰动掩码策略探测出的更契合任务需求的句法结构。相较于普通的句法树,FRIT能够更有效的缩短目标词和意见词的距离。实验结果表明,IOG-FRITGCN能有效提升面向目标的意见词抽取效果。