随着互联网和电子商务技术的迅猛发展,情感分析已经成为自然语言处理领域的热点研究之一。情感分析有着广泛的应用,如信息抽取、推荐系统等。近些年来,各大电商平台陆续推出了问答板块,由此诞生了一种新颖的问答型评论方式。通过该方式,用户可以在上面对感兴趣的产品信息进行提问和回答。相比于传统的评论方式,该方式的优势在于其可以避免造假并生成更可靠的数据。然而,还没有相关研究针对该问答文本进行细粒度情感分析。本文面向问答文本进行了属性级情感分析方法的研究。具体而言,本文开展了三项细粒度情感分析的子任务,包括评价对象抽取、属性分类和属性级情感分类,具体研究内容如下:首先,本文面向问答文本开展了评价对象抽取方法的研究。评价对象抽取旨在抽取出问答文本中的评价对象。针对该任务,本文提出了一种基于注意力机制的评价对象抽取方法来抽取问答文本的评价对象。具体而言,首先,问题和答案文本各自通过一个双向长短期记忆神经网络模型进行编码;其次,使用注意力机制获得融合答案信息的问题文本表示;最后,利用条件随机场获得问题文本的全局最优标记序列。实验结果表明本文提出的方法比传统的评价对象抽取方法获得更好的识别性能。其次,本文面向问答文本开展了属性分类方法的研究。属性分类旨在识别出问答文本的属性类别信息。针对该任务,本文提出了一种基于多维文本表示的属性分类方法。具体而言,首先,对问题文本进行句子切分,并通过一个长短期记忆神经网络模型对切分得到的每个子问题和答案进行编码;其次,融合已获得的多个编码,形成多维文本表示;最后,使用卷积神经网络对多维文本表示进行特征提取并进行最终的属性分类。实验结果表明,本文提出的方法性能明显优于传统的属性分类方法。最后,本文面向问答文本开展了属性级情感分类方法的研究。属性级情感分类旨在识别问答文本中指定属性的情感极性。针对该任务,本文提出了一种基于注意力机制的属性级情感分类方法。具体而言,首先,通过长短期记忆神经网络模型对问题文本和添加属性信息的答案文本进行编码;其次,通过注意力机制捕捉问题文本与答案文本之间针对特定属性的交互情感信息;最后,使用分类器输出特定属性的情感极性。实验结果表明,本文提出的属性级情感分类方法性能明显优于传统的属性级情感分类方法。