随着互联网渗透到各行各业,每天都有TB级别的文本信息在互联网上发布、传播。海量文本数据为机器学习提供了丰富的训练资源,促进了自然语言处理领域的蓬勃发展。属性级情感分析是一种自动从原始文本中抽取出实体在不同属性方面的情感信息的技术。属性级情感分析技术具有广泛的应用前景。例如,从产品评论自动抽取出消费者对产品不同方面的评价,从微博推文中自动梳理出大众对热点事件方方面面的观点,从论坛、博客海量文章中自动提炼出用户对企业、组织的各个职能的满意度等。预训练模型+微调的迁移学习方法在2018年以后快速发展,并在自然语言处理领域取得了突破性的进展。OpenAIGPT,ELMo,BERT等深度模型对语义理解的程度有了极大的提高,也给情感分析任务带来了新的思路。本文研究基于BERT语言模型的属性级情感分析技术。本文的研究工作包括:（1）本文提出了一种基于LDA主题模型的属性词扩充方法。通过把属性词扩充为一组相关词的序列,既解决了属性级情感分析任务中的属性词具有上下文依赖性的难点,又解决了属性级情感分析任务中的隐式属性与其对应的情感词难以抽取的问题。（2）本文提出了一种结合属性相关词和情感倾向的注意力机制。通过将属性相关词和情感倾向整合成属性情感文本作为属性的补充信息这种方式,增加BERT语言模型对属性相关的情感信息的关注度。解决了属性级情感分析对某一属性进行情感分析时容易受到其他情感信息干扰的问题。（3）本文提出一种接近自然语言的、基于问答句型的句子对输入方式。该输入方式能够减轻BERT语言模型对输入句子对的困惑度,降低BERT语言模型对属性级情感分析任务进行微调时的训练难度。（4）本文通过对比实验验证了提出算法的有效性。比较当前最新的属性级情感分析研究成果,本文提出的算法比BERT-Condition-CNN算法的性能提高了6%,比BERT-pair-QA-M算法提升了1%。