随着互联网行业的蓬勃发展,消费者已经不满足于传统的线下购物形式,如淘宝、京东等电子商务购物平台成为一种必不可少的新选择。在消费者进行线上购物体验的同时,也产生了大量对电商服务的评价数据。这些评价数据不仅有益于提高卖家对自身商品服务的认识,也成为其他消费者进行消费时的重要参考。以淘宝电商为例,消费者的评论文本有其特殊的领域特质,如口语化、多属性评价、文本结构复杂等。与传统的句子级文本情感分类不同,属性级文本情感分类更关注对句子中具体属性的情感分析。针对复杂的电商长评论文本,现有的属性级文本情感分类方法仍有不足。现有研究往往依赖于属性词与上下文的联系,然而对于这样的复杂评论,容易引入大量的额外噪声。因此,本文提出基于情感描述的属性级情感分类研究,对于给定的属性词和所在的评论文本,获取属性词相关的情感简化文本,辅助评论文本进行情感分析。本文从情感描述的获取方式出发,将本次研究划分为三个层次,分别是:1)基于边界检测的属性级情感分类研究:通过文本抽取的方式获取情感描述文本;2)基于情感描述生成的属性级情感分类研究:通过文本生成的方式获取情感描述文本;3)基于依存关系与情感描述的属性级情感分类研究:考虑文本的句法语义结构信息,获取情感描述文本。具体研究工作如下:首先,针对复杂评论中属性词的情感描述仅占其一小部分,极易收到外界噪声影响的问题,本文提出了基于边界检测的属性级情感分类方法。首先,收集并处理来自淘宝电商三个不同领域的中文电商评论,根据任务需求整理SemEval2014年、2015年及2016年关于餐馆的英文评论,并对每条评论的每个属性都标注出其情感描述位置。其次,建立基于序列标注的文本抽取模型,将属性词与评论文本作为输入,通过序列标注的方式抽取出评论中属于情感描述的词并将其作为情感描述简化文本,最后,将抽取的情感描述简化文本结合原评论进行情感分类。实验表明,本文提出的基于文本抽取的属性级情感分类方法,能够有效地缓解复杂评论中其他噪声的影响,充分地利用属性词相关情感描述信息,提高属性级情感分类的效果。其次,针对评论中属性词的相关情感描述子句受限于原文本言语表达的问题,本文提出了基于情感描述生成的属性级情感分类方法。首先,将属性词与评论文本作为输入,通过注意力机制学习文本特征。其次,构建文本生成模块,在文本生成训练中使用unilm中特殊的掩码机制,构建基于BERT的文本生成模型。同时,在文本生成模块中加入属性词与情感词的隐变量支持,分别用于加强生成文本对属性词的敏感度以及保持生成的简化文本与属性词在原评论文本表现的情感一致。实验表明,文本生成的方式能有效地缓解文本抽取的局限性,使情感描述简化文本更易于机器理解。本文提出的基于情感描述生成的属性级情感分类方法在属性级情感分类准确率上普遍高于基线实验。最后,针对情感表达较为复杂且不容易简化的问题,本文提出了结合依存关系与情感描述的属性级情感分类方法。首先,使用自然语言处理工具对评论文本进行句法分析,获取评论文本的句法依存关系。其次,以属性词为中心提取相关依存关系并将其序列化。然后,将属性词、评论文本以及依存关系作为输入,在基于BART的文本生成模型中,加入依存关系的序列嵌入向量,加强文本生成学习过程中对属性词在评论文本中的语义理解,同时加入属性词与情感词的隐式模块,分别用于加强对属性词的关注以及情感倾向表达的一致性。实验表明,本文提出的依存关系与文本生成结合的属性级情感分类方法能够有效地分析评论文本的句法结构,利用属性词的上下文语义信息提高情感描述简化文本的生成质量。在与基线实验的对比中,该方法拥有更高的属性级情感分类准确率。