情感原因抽取（ECE）是情感分析领域的一项重要子任务,因其广泛的应用前景而受到学术界和工业界的重视。基于情感的原因抽取的研究目的是根据文档中所表达的情感寻找对应的原因,由于文本结构复杂,使得情感原因的抽取任务十分具有挑战性。目前传统方案大多专注于建模情感子句和原因子句之间的语义关系,而忽略了一些其他重要的文本特征。另一方面,有研究发现,基于情感的原因抽取需要手工标注文档表达的情感,极大程度上限制了应用的场景。因此,在对基于情感的原因抽取的研究中,进一步尝试进行情感和原因的联合抽取,即在不需要文档中情感标签的场景下,进行端到端的情感和原因的联合抽取,即情感原因对的抽取（ECPE）。针对以上问题,进行了相关的探索和研究。本文基于深度学习技术,结合注意力机制和预训练语言模型,提出了情感原因抽取的新方法,主要研究内容如下:（1）提出了一个基于多层注意力机制的情感原因抽取神经网络模型。首先利用预训练模型对文本进行编码,获得字级别特征,然后结合注意力机制,运用双向长短期记忆网络抽取文档中的子句语义特征。经分析,情感子句和原因子句之间不仅存在语义关系,在文档中还存在明显的相对位置关系,因而结合了相对位置关系特征,并用自注意力机制建模情感子句和原因子句之间的语义关系。最后,为了缓解数据集中正负样本不平衡的问题,引入了焦点损失函数。实验表明,该模型能有效提高情感原因子句的抽取性能。（2）提出了基于Transformer的情感及原因联合抽取的多任务学习框架,可以在无情感标注的情况下,实现情感原因对的联合抽取。当前情感原因对抽取研究大多采取先分别抽取情感子句和原因子句,再进行关联的做法。该方法使得情感原因对抽取的正确性过于依赖子句抽取结果,且情感原因对的抽取结果不能反馈给子句抽取任务,造成了任务传播误差,因而提出了基于Transformer的神经网络模型,使用Transformer编码文档中子句之间的关系,实现了情感和原因端到端的联合抽取。并进一步探究不同子任务之间的关系,构建了不同的多任务模型。实验结果表明,不同的子任务之间有着明显的关联,其中情绪分类任务可以明显改进情感原因对抽取任务的性能。