属性抽取是自然语言处理领域的一项重要任务,旨在从文本中自动抽取属性的表述语言,其在情感分析、观点挖掘方面有着重要的应用价值。目前,基于神经网络的属性抽取已经取得了一定研究进展。然而,该任务仍存在三个方面的不足,包括低频属性识别困难,属性词易与普通词混淆,以及可观测样本不充足。为解决上述问题,本文提出以下三个研究内容:首先,根据属性的分布频率,本文将属性划分为高频属性和低频属性。高频属性具有较高的领域表征能力,易被监督学习模型感知。相对地,低频属性出现频率低,可供训练的样本总量较少,使得神经网络模型难以充分学习相应的语境特征,其导致识别难度较高。本文发现低频属性往往与高频属性同时出现,即两者存在共现于局部文字片段的现象。在这一共现情况下,高频属性能够作为表征低频属性语义的关键线索。因此,本文提出一种融合高频属性信息的属性抽取方法。该方法利用统计信息挖掘句子中的高频属性,将其作为重要的语境特征纳入表示学习过程当中,以此增强其它词项的分布式语义表示,借以辅助相似语境下低频属性的识别。其次,虽然现有基于神经网络的属性抽取模型,能够对属性词及其语境进行深度的语义表示和感知。但是,现有技术仍然面临高可辨性语境特征识别困难的问题,这一问题导致此类模型易于混淆属性词与其它普通词,使得属性的误判和漏判率较高。因此,本文提出一种结合数据自增强与对比学习的属性抽取方法。该方法利用正则化Dropout（简称R-Drop）实现数据自增强,并扩充可学习的正负例样本。在此基础上,本文借助对比学习优化正负例样本的特征表示,使两者具备更易感知的差异化表示模式。本文通过上述方法,引导模型自动识别高可辨性的语境特征,从而提升模型对属性词和普通词的分辨能力。最后,属性抽取任务具有较强的领域性,不同领域的文本存在语用及表达上的差异。因此,单一领域下训练所得的神经属性抽取模型,往往在其它领域的数据处理上难以获得较优的性能。在实际应用中,为每个领域标注大量可观测数据并用于监督学习的时空损耗过大。因此,本文提出一种基于“目标范式”（即Prompt）的属性抽取方法。该方法为原始文本构造含有掩码的目标提示句,且该提示句是一种表征特定属性存在与否的范式。在此基础上,本文借助掩码语言模型的解码器,根据上下文语境信息的特征表示,预测目标提示句的掩码信息,从而间接辅助属性存在与否的判别。本文针对低频属性识别困难,属性词易与普通词混淆,以及可观测样本不充足三个问题,开展了融合高频属性信息的属性抽取、结合数据自增强与对比学习的属性抽取、基于目标范式掩码预测的属性抽取三种方法的研究。本文在国际语义评测大会提供的四个属性抽取数据集上进行实验。实验结果显示,本文方法在2014年的笔记本电脑领域数据集上取得了 83.94%的F1值,在2014至2016年的餐馆领域数据集上分别取得了 88.72%、73.61%和 78.10%的 F1 值。