文本情绪原因识别任务的目标是从文本中识别某种情绪表达背后的原因,已逐渐成为自然语言处理领域中的热点研究方向之一。近年来,随着深度学习技术的发展,该领域的相关研究取得了不错的进展。尽管如此,仍然存在着诸多挑战:未能充分利用文本子句间的相对位置距离特征,难以精确定位目标情绪子句的位置所在;未能充分挖掘文本中字符级、词语级等多粒度的文本语义特征;不能很好解决情绪多样化和数据不平衡带来的模型性能受限的问题。因此,本文针对以上问题展开研究,进行了以下三个方面的研究:第一,针对现有方法忽视了文本子句相对位置信息表示的重要性,提出了一种基于多任务联合学习的文本情绪原因识别方法。该方法首先采用双向长短时记忆网络和注意力机制获取文本子句的语义信息;接着利用残差网络学习文本子句的相对位置信息表示,并通过拼接的方式融合文本子句信息和相对位置信息;最后在情绪原因识别任务的基础上加入情绪分类子任务,通过联合训练优化相对位置信息表示。实验结果表明,该方法在中文情绪原因数据集上相比于基准实验,在F1值上提升了1.04%。第二,针对现有方法在提取文本特征时存在未充分挖掘不同粒度上的文本语义信息的问题,提出了一种基于字符级共享循环网络的文本情绪原因识别方法。该方法首先采用共享堆叠循环网络和注意力机制分别在字级和词级获取不同粒度的文本子句表示,并在字级子句表示上加入高速网络层增大梯度信息的回流;接着通过残差连接的方式进行信息融合,从而捕获更丰富的文本上下文信息;最后将嵌入相对位置信息的文本子句表示放入不同的子网络中进行联合训练。实验结果表明,该方法在中文情绪原因数据集上相比于基准实验,在F1值上提升了0.71%。第三,针对现有方法难以解决文本情绪多样化和数据分布不平衡的问题,提出了一种基于虚拟对抗训练的文本情绪原因识别方法。该方法首先在文本嵌入表示上施加细微扰动生成对抗样本;接着将对抗样本和原始样本的预测结果的差异程度作为损失函数,根据反向梯度信息计算文本扰动,并将其作为扰动噪声施加在文本嵌入表示上生成新的对抗样本;最后结合扰动产生的损失进行联合训练,优化模型参数。实验结果表明,该方法在中文情绪原因数据集上相比于基准实验,在F1值上提升了0.86%。