随着移动互联网的普及和人工智能浪潮的到来,大量的数据处理越来越成为实现技术突破和商业应用的手段。商业平台的普及,平台中的评论往往比内容更具说服力。意见关系抽取任务,目的是将非结构化的意见要素信息以结构化元组的方式呈现给用户。实体共指消解任务,是将同一实体的不同表述化为等价类的过程。本文主要针对解释性意见关系抽取和实体共指消解展开研究。相比传统的关系抽取任务,抽取结果中并不会进一步按照实体区别进行细分,而对于解释性意见产品数据,将意见元组结果按照实体的等价类划分往往能帮助用户或商家决策。因此本文将意见关系识别和意见实体共指消解结合。本文内容主要凝练为三点,即解释性意见关系识别、意见实体共指消解和解释性意见信息抽取系统实现。解释性意见关系识别任务。针对意见要素上下文信息缺失的问题,本文首先在关系识别的基础上,提出了基于目标注意力的意见关系抽取框架和融合Transformer编码端的目标注意力意见关系抽取框架,探究意见关系抽取性能并抽取意见元组。之后,针对意见评论中复杂的交叉关系,我们进一步采用了预训练Elmo网络层策略和预训练Word-Embedding策略,提升意见要素在句中的语义表示,探究意见关系抽取任务在不同预训练策略下的性能。意见实体共指消解任务。为了消除意见关系中存在的共指现象,即消除一种实体对象由多种实体表述方案。本文提出基于目标注意力的实体共指消解框架和融合Transformer编码端的目标注意力框架,通过多种特征的选择,将意见关系抽取任务的输出作为输入,消除意见元组中实体歧义。解释性意见关系抽取系统实现。通过意见关系抽取系统将本文内容呈现。首先,我们将解释性意见语料中的信息以元组的形式抽取。以此为基础,我们将抽取出的元组分类进行实体间共指消解。最后,结果以元组等价类的方式呈现给用户。