在互联网中,用户原创评论广泛存在于各大社交媒体、电商网站中。这些评论中包含着巨大的信息和潜在的应用价值。例如,消费者可以通过其他用户的观点来指导消费;企业或商家们可以通过分析用户反馈指导商业决策。随着自然语言处理技术的发展,学者们提出了许多方法自动的从大规模评论数据中总结用户的观点。一条评论中完整的观点包括产品特征以及相应的情感倾向两个部分,分别对应着评价点抽取(Aspect Extraction)和情感分析两个子任务。然而,现有的大多数方法集中在某一个子任务的研究,因此无法得到完整的观点,实用价值大大降低。尽管一些工作对两个任务联合建模,但仅仅是机械的将两个过程连接,忽略了任务的整体性。此外,Aspect级别的数据标注十分昂贵,限制了许多监督方法的应用。基于以上问题,本文分别对两个子任务进行了研究并提出了相应的模型,随后将两个模型融合,提出了弱监督的端到端观点挖掘模型。本文的研究内容归纳为以下三点:(1)无监督的评价点(Aspect)抽取的方法研究。主题模型是该任务的主流解决方法之一,本文使用效果更优的神经主题模型代替了传统的LDA风格主题模型,并结合任务特性,提出了多空间神经主题模型(Multi-Space Neural Topic Model,MS-NTM)。MS-NTM通过在多重概率空间分别构建隐变量,有效地降低了主题建模中的非主题语义的噪音干扰。(2)Aspect级别的情感分析任务的研究。本文分析了流行的注意力机制和门控机制的优缺点,提出了基于注意力门控的细粒度情感分析模型(Attentive-Gated LSTM,AG-LSTM),AG-LSTM将注意力和门控机制结合,能够在捕获关键特征的同时过滤噪声特征。同时,本文提出的注意力门控机制具有很强的扩展性和兼容性。(3)弱监督的端到端观点挖掘模型的构建。在MS-NTM和AG-LSTM的有效性得到验证后,本文将两个模型进行融合,提出了弱监督的端到端观点挖掘模型。实验结果表明,本文提出的模型在准确率上大大胜过了弱监督训练下的强基线模型,接近甚至胜过了有监督训练下的强基线模型。同时,由于弱监督和端到端的特性,本文提出的模型具有好的领域迁移性和实用性。