互联网提供给人们众多能够发表自己观点的机会,人们将喜怒哀乐展示在网络各种平台中,由此产生许多蕴含情感信息的评论。在飞速发展的电商中,挖掘带有丰富情感信息的评论具有巨大的价值。不仅是商家可以根据评论反馈来改善产品,买家也可以参考评论做出自己的选择。仅仅通过人工的方法来获取和分析这些信息费时费力,因此需要用计算机来帮助我们实现自动化,由此产生情感分析技术。传统的情感分析技术还不够成熟,判别能力较弱,分析粒度较为粗糙,现有基于机器学习或深度学习的情感分析方法总是专注于情感分析任务的单个子任务,并且精确度也不够理想。本文将基于深度学习模型完成细粒度的情感分析,对句中的每个属性都做出细致的情感判别。此外,从任务角度来说,文本也不局限于情感分析任务中的单个子任务,而是旨在完成情感信息的完整抽取,精确、统一、有效地完成全部情感分析任务。本文的主要研究工作总结如下:（1）针对英文评论,对现有的情感分析三元组抽取任务做出改进,提出基于Pipeline框架的深度学习模型。Pipeline模型将复杂的任务拆解成两阶段,阶段一模型通过注意力机制,充分地交互情感分析三个子任务之间的信息,使得三个任务相辅相成地完成联合训练,能够一次性地完成属性词抽取,观点词抽取和情感分析分类。阶段二模型基于位置特征将对应的属性词和观点词相匹配,完成关系抽取任务。两阶段模型各司其职,最终在情感分析任务上取得了更好的成绩。（2）本文也对中文数据集进行深入研究,更为完整地抽取情感四元组,即将情感分析的三个基本子任务和属性分类统一称为情感元组抽取任务。基于Pipeline框架,针对该中文数据集,第一阶段模型将属性词抽取、观点词抽取、属性分类、情感极性分类统一成三个序列标注任务,任务之间的交互方式优化成带门控的自注意机制。基于位置特征的第二阶段模型依旧是将属性词和观点词相匹配,完成更为完整的情感分析四元组抽取任务,模型在性能表现上也达到理想的效果。