近年来,随着移动互联网的快速发展以及“互联网+”国家战略的深入实施,电子商务迎来了高速发展的黄金时代,针对电商平台用户评论文本的情感信息抽取技术逐渐成为自然语言处理领域中的研究热点。已有的研究主要针对非交互式的传统用户评论文本开展评价属性（简称“属性”）抽取研究。与以往研究不同,本文针对一种新颖的问答式评论文本开展属性抽取方法研究。该新型问答式评论文本中,答案通常是由随机邀请有过购买行为的用户提供。因而,相较于传统的非交互式评论文本,问答式评论文本可以有效缓解大量虚假评论文本的产生。因此,本文基于问答文本的评价属性抽取方法研究不仅丰富了情感分析领域的研究内容从而具有重要的学术价值,而且能有效缓解电商平台普遍存在虚假评论的影响,从而具有非常重要的应用价值。本文主要围绕属性抽取（Aspect Extraction）研究中的两个关键子任务展开研究工作:1)面向问答式评论文本的属性类别分类任务（Aspect Category Classification,ACC）:该任务旨在识别出给定的问答式评论文本中所涉及的所有有效属性类别;2)面向问答式评论文本的属性描述语抽取任务（Aspect Term Extraction,ATE）:该任务旨在抽取出给定的问答式评论文本中所有出现的有效属性描述语。具体来说,本文的研究内容主要包括以下三个方面:首先,本文首次将面向问答式评论文本的属性类别分类任务定义为多标签分类问题,并针对在多标签属性类别分类任务中问答式评论文本所带来的短文本表述不完整、数据稀疏以及问答语义匹配等问题,本文提出了一种基于双向注意力机制的多标签属性类别分类方法。该方法包括三个步骤:首先引入BERT预训练语言模型来捕捉上下文的语义信息并生成上下文相关的词向量表示,同时采用两种不同的策略进行词向量融合;其次构建一个双向注意力网络来捕捉问题文本和答案文本之间的匹配信息,提升模型对属性类别相关信息的捕获能力;最后使用Sigmoid函数对分类结果进行解码,并辅以二进制交叉熵损失函数实现属性类别的多标签分类。实验结果表明,在问答式评论文本的语料集上,该方法在处理多标签属性类别分类任务时较其他基准系统能显著提升属性类别分类的性能。其次,针对问答式评论文本长度较短导致的数据稀疏以及歧义等问题和属性描述顺序混乱或“答非所问”所带来的问答语义匹配和无效属性噪声等问题,本文提出了一种基于多层图注意力神经网络的属性描述语抽取方法。该方法包含三个步骤:首先使用BERT模型分别对问题文本和答案文本进行编码,通过引入外部信息以及融合多层的词向量表示,得到语义扩充后的上下文相关文本表示;然后构建一个多层图注意力神经网络来学习问答文本内部的上下文信息和问答之间的匹配信息,通过建立字符之间的直接联系并进行注意力权重的计算,在捕捉属性描述语之间相关性的同时过滤属性噪声信息;最后使用CRF模型学习标注标签之间的依赖和约束关系,进一步提升属性描述语抽取的性能。实验结果表明,本文提出的基于多层图注意力神经网络的属性描述语抽取方法较其他基准实验有显著的性能提升。最后,为了充分有效地利用问答文本属性类别分类任务和属性描述语抽取任务之间的相关性,本文提出一种基于多任务联合学习的属性类别及描述语联合抽取方法,通过共享任务之间的相关信息来提升两个任务各自的性能。具体来说,该方法包含三个步骤:首先通过共享BERT模型以及词向量融合过程中权重矩阵来学习两个任务共同的文本表示模型;其次,针对问答文本属性描述语抽取任务,使用多层图注意力神经网络捕捉属性描述语抽取中所需要的问答文本上下文信息和问答匹配信息,生成融合图注意力信息的词向量表示并使用CRF层对标注序列进行解码;最后,针对属性类别分类任务,使用双向注意力神经网络对问答文本之间的匹配关系进行建模,共享和融合属性描述语抽取任务中学习到的词向量表示,进而实现属性类别的多标签分类。实验结果表明,本文提出的多任务联合学习方法能进一步提升问答文本属性描述语抽取任务和属性类别分类任务各自的性能。