属性抽取旨在从评论文本中抽取评价属性（简称为属性）,是细粒度情感分析的一项重要子任务。目前基于深度学习的属性抽取任务在表示学习以及远程监督等方面已取得一定的进展,然而在该任务中仍存在较多亟待解决的问题,包括方法学中注意力机制建模噪声较大且缺乏进一步的交互能力、语料数据中缺乏有效线索信息辅助属性抽取以及属性抽取结果中存在较多边界错误的属性。本文基于上述问题展开相应的研究,主要创新点包括以下三个方面:（1）由于面向属性抽取任务的注意力机制多为全局式注意力机制,其注意力建模会带入较多的噪声,并且缺乏进一步的交互能力。因此,本文提出一种双层注意力机制,其中第一层在滑动窗口内进行注意力建模,从而达到降噪的目的,第二层在第一层降噪的基础上用于交互,以提升注意力机制的交互能力。在国际语义评测任务提供的笔记本电脑以及餐馆领域数据集上进行实验验证。相比于全局式注意力机制,本文提出的双层注意力机制在两个数据集上的性能均获得提升。（2）仅依靠神经网络对单文本进行表示学习,性能提升空间有限。利用有效线索信息辅助属性抽取,是提升抽取性能的可行方法之一,然而现有实验语料中缺乏有效线索。针对该问题,本文提出融合复述信息的属性抽取方法。相比于源句（原始语料文本）,复述句与其语义相同但表达结构不同,从而能够为源句建模提供丰富的外部线索。此外,本文还提出一种将同序列融合与异序列融合相结合的复述融合方法。相比于基线模型,融合复述信息的抽取模型的性能获得进一步提升。（3）属性边界错误的问题常见于抽取结果中,对于精确匹配的评价标准而言,其制约了属性抽取性能的进一步提升。为此,本文提出基于指针神经网络的属性边界重定位方法。此外,为获取边界重定位模型的训练数据,本文在不进行人工标注的情况下,提出使用回收机制,从而自动进行构建训练数据。通过实验验证,证明边界重定位方法能够有效减少边界错误。本文从注意力建模优化、融合辅助线索及边界后处理优化这三个角度出发,一定程度上解决了属性任务现有的难点问题,在国际语义评测任务提供的笔记本电脑和餐馆评论数据集上验证了所提方法的有效性。