本文主要研究了基于短文本深度学习的目标属性情感分析技术，包括目标属性抽取算法和目标属性情感分类算法。在目标属性情感分析领域，当前的深度学习模型仍然存在一些问题，比如目标属性抽取模型不能充分考虑上下文词语的语义关联和预测标签之间的约束关系；目标属性情感分类模型对复杂文本特征表达能力不足以及无法充分利用文本中不同目标属性的情感关联信息等问题。本文针对上述问题，从模型架构等方面对深度学习方法在目标属性情感分析任务中的应用进行改进和完善，研究了三种目标属性情感分析模型。
　　本文首先研究了一种目标属性信息融合的记忆网络方法，目的是为了解决传统的循环神经网络中复杂句式特征表达能力不足和无法充分利用外部特征的问题。该模型采用记忆网络思想，利用目标属性、词语位置等外部的辅助信息增强网络的特征表达能力。通过实验证明，本方法相较于仅使用注意力的网络或者无目标属性特征融合的网络，能够有效的提高情感分类的精度。
　　同一个文本中不同目标属性的情感倾向是相关联的，但现有的目标属性情感分类模型大都是针对单一目标属性分别进行情感判别，这忽略了目标属性之间的关联性。为利用目标文本中多个目标属性的关联信息，本文研究了一种新颖的多目标属性信息关联的情感分类算法，该模型由单目标属性情感特征抽取网络和多目标属性情感特征融合网络两部分组成。实验证明，该方法能够有效的利用不同目标属性之间的关联信息，提高情感分类网络的性能。
　　在前述的两个研究中，语料库的目标属性大都是通过手工标注的，这需要大量的人工劳动，并且带有很强的主观性。本文进一步研究使用神经网络模型抽取目标属性。当前大多数的研究工作将目标属性提取作为一种序列标注任务，但是已有的网络模型没有充分考虑标注词语之间存在的语义关联和预测标签之间的约束关系。针对此，本文研究了一种基于历史信息的目标属性抽取方法。实验证明，该方法在一定程度上能够提高目标属性抽取网络的性能。
　　总体而言，本文在目标属性情感分类和目标属性抽取两个子方向进行了探索和研究，效果较为明显，未来可将该技术应用于网站评论数据分析、用户观点挖掘等领域。