方面级情感分析技术是自然语言处理领域的挑战性研究课题。多数深度学习方法的性能依赖于大规模人工标注数据集,但标注大量的高质量数据集是一项耗时费力的工作,因此有标注数据集的缺乏已成为制约深度情感分类算法的瓶颈问题。幸运的是,不同网络平台用户生成了大量带标签的舆情文本（如带评分的商品评论和电影评论,带表情符号的推特评论等）,这些文本可以作为弱标注数据集被用于情感分类任务。然而,弱标注数据中存在着标签与文本实际情感语义不一致的噪声数据,会对训练过程产生严重的负面影响,因此无法直接当作强标注数据用于训练深度模型。此外,多数弱标注评论文本没有清晰地指明所描述的方面词,缺乏方面信息指导的模型无法有效学习到评论文本的细粒度情感特征。为了应对上述问题,本文首先提出了基于无监督注意力模型（Unsupervised Attention Model,UAM）的方面提取框架UAM-BERT,旨在通过无监督方法识别无标注数据中的方面词,从而摆脱对人工标注数据的依赖。以UAM-BERT方法为基础,本文通过引入伪标签生成思想,进而拓展出了一套基于弱监督多任务学习（Weakly supervised Multi-task Learning,WML）的方面级情感分类框架WML。WML是一个统一的多任务学习框架,主要面向小样本场景,采用的多任务训练目标能够同时对方面提取和方面级情感分类任务进行联合优化。方面提取作为辅助任务,能够为主训练任务（即方面级情感分类）提供丰富的上下文信息,进而指导模型学习到输入文本在特定方面词下的细粒度情感特征。综上,本文的创新点如下:第一,针对弱标注数据缺乏方面词标签的问题,本文提出了无监督的方面提取框架UAM-BERT。UAM-BERT从词级别上对输入文本进行建模,采用注意力机制促使模型有效捕获输入文本中最为相关的方面词特征,并引入特征重构思想指导模型学习出能够真实反映数据中方面词分布的注意力权重向量。在3个真实数据集上的实验结果证明了UAM-BERT方法的优越性,即使在其他领域数据集上也同样具备良好的推广能力。第二,WML框架灵活且具备通用性,可兼容不同结构的深度语言模型（如CNN,Bi LSTM,BERT）。本文为WML中的弱监督情感分类模块设计了基于迁移学习（Transfer Learning,TL）的方面级情感分类框架TL-BERT。TL-BERT以弱标注数据为研究对象,采用“预训练再微调”的迁移学习范式。在预训练阶段,本文改进了对比损失函数的形式,能够指导深度模型更好地学习海量弱标注数据中丰富的类间与类内对比模式。此外,对非同类样本的多次采样使得噪声数据被自然地稀释,从而最大限度地降低弱标注数据中噪声数据造成的负面影响。在微调阶段,设计了一种用于小样本场景的多任务目标函数,通过有监督对比学习项来继承预训练模型的知识。本文在5个真实数据集上证明了所提出方法的有效性,在仅使用0.5%（即32个样本）比例的有标注数据集进行微调的情况下,TL-BERT方法的性能依然超出其它深度方法。