在自然语言处理领域,方面级情感分析（Aspect-based Sentiment Analysis,ABSA）是一项重要的细粒度研究任务,其被广泛应用在理解舆论、市场调研、品牌声誉分析、客户体验识别、评估社交媒体影响力等领域。它旨在分析一段文本或一句话中的多个方面所对应的情感极性。这一任务的主要挑战在于缺乏大量的带有针对方面级情感分析的标签数据,并且现有的运营商投诉文本实际数据存在噪声大、规律性不够强、方面词包含与重叠等问题。尽管相较于传统的方法,基于深度神经网络的方法能够提取到丰富的文本特征并提升该任务的完成效果。但是现有的大量方法未能准确捕获有效地上下文信息,不能充分利用方面词与其临近上下文的关联信息。然而在已有的大量工作中,将方面级情感分析分为两个阶段,即先进行方面词抽取,再判断特定方面的情感极性。其中,忽略了两项子任务之间的关系将导致误差传递,使模型对识别错误的方面词进一步地判断其情感极性,从而造成错误累计。因此方面词抽取与特定方面情感极性判断任务之间具有相互促进、辅助的关系,如何利用两项子任务之间的关联信息同时抽取方面词和判断其情感极性是一个具有挑战性的任务。考虑到多任务联合学习的方式会通过不同子任务的损失函数对模型参数进行优化,使得子任务之间能够相互影响。同时,基于局部上下文的聚焦机制能够很好地捕获方面词的语境信息。为了能够合理应对一句话多方面词或方面词的包含与重叠等情况,且使模型能更充分地适应运营商投诉对话的强领域性,本文提出一个基于运营商投诉文本预训练语言模型的跨度标注的端到端方面级情感分析模型,具体从以下两部分展开:（1）基于预训练语言模型BERT,本文首先提出了使用无标注运营商投诉数据对其基于遮掩语言模型预训练任务进行领域信息迁移预训练,应用探针任务验证运营商投诉领域信息迁移对于方面词抽取任务能够有效提升效果。本文使用探针试验分别探究了经过领域迁移的预训练语言模型对不同领域、方面词与非方面词所生成的隐表示,并择其部分样本使用降维方式用可视化的方法直观地展示了两种区分下的隐表示的分布情况。在这两种区分下,经过领域迁移的BERT所生成的隐表示都有着相对明显的子空间。此外,在此基础上本文使用基于跨度的标注方式对方面词进行抽取,通过与现在较为有效的几种基准方法进行对比,本文模型都获得了更加精准地识别出复杂文本中的方面词。（2）为了捕获方面词与其情感极性的关联信息,本文提出了使用多任务联合学习模型对运营商投诉文本进行端到端方面级情感分析的模型（BERTp-LCF-ATS EPC）。通过同时抽取方面词和判断相应的情感极性,多任务学习模型能够更好地利用方面词上下文与情感极性的关联信息。应用局部上下文焦点机制使方面词上下文表征与情感极性之间的细粒度交互,得到特定方面的情感极性判断。此外,本文采用基于跨度的标注方式以应对方面词相互包含与重叠、多方面词等问题。在投诉对话文本数据上的实验表明,BERTp-LCF-ATSEPC模型可以更加充分地捕获方面词和情感极性之间的关系,并相较当前先进的端到端方法进一步提升了运营商投诉对话中方面级情感分析的性能。