基于目标的情感分析是一种细粒度的情感分析研究,是自然语言处理领域的热门方向。研究目的在于从海量互联网文本中挖掘出细粒度元素,产品、服务、事件等目标及其观点和情感,包括目标提取、意见提取、特定目标的情感分析三个子任务。只解决其中一个子任务的研究,需要假定其它任务的结果已经给出,然而实际应用中没有完美的模型给定结果,从而存在误差传播和局限性。实际场景中的目标通常不是给定的,不仅需要自动提取出目标,也需要预测其情感极性,甚至需要提取出对应的观点意见。因此,同时解决其中两个或三个子任务能获取到更具应用价值的细粒度元素。本文围绕目标提取和情感预测、目标情感三元组提取两个任务展开,提高基于目标的情感分析算法的准确性、完整性。目标提取和情感预测,旨在同时处理目标提取和特定目标的情感分析两个子任务,识别文本中的目标对象及其情感极性。目标情感三元组提取,完整解决了三个子任务,提取出目标、意见、情感三元组。基于目标的情感分析研究中,目标提取和情感预测、目标情感三元组提取工作主要存在两方面不足:一方面,子任务之间具有依赖关系,模型没有充分利用子任务信息,同时学习不同类型的子任务存在困难。另一方面,大多数研究采用长短期记忆网络、单层自注意力机制等技术提取特征信息,无法捕获输入文本的复杂内部关系。针对以上不足,本文分别对目标提取和情感预测、目标情感三元组提取开展研究,具体工作如下:1)解决目标提取和情感预测任务:现有研究工作无法充分利用子任务信息协助目标和情感的同时生成,此外,普遍基于长短期记忆网络,无法抓捕输入句子的内部关系用于情感分析预测。为了解决以上问题,本文提出一种基于双辅助网络的目标提取和情感预测模型。设计双辅助网络增强目标提取和情感识别能力,缓解模型同时学习两种不同子任务的困难。更进一步地,通过引入方向感知Transformer提取特征,有效对齐多个目标对象和情感词的内在关联。模型在三个公开数据集上进行实验,对比基准模型有显著的效果提升。2)解决目标情感三元组提取任务:现有主流研究方式侧重序列标签设计,模型同时产生目标、意见、情感极性时,没有充分利用子任务信息。此外,它们普遍采用单层自注意力机制,其学习句子中词语之间联系的能力较弱,无法学习到多任务复杂性导致的输入句子中词语间的复杂多面关系。为了解决以上问题,本文提出基于两阶段学习的目标情感三元组提取模型。两阶段学习机制增强模型对目标对象和意见术语的提取能力,为预测情感极性提供指导信息,有助于目标、意见和情感的同时生成。更进一步,通过引入Transformer网络学习输入句子中词语间的复杂联系。模型在四个公开数据集上对比基准模型,效果有一定提升。