情感分析是网络时代社会舆情监测的重要研究内容,其中,对社交网络文本进行不同维度的情感分析属于自然语言处理问题。而知识图谱则能为自然语言处理工作提供重要的基石。然而,目前国内外关于情感知识图谱的研究还处于空白阶段。因此,本文针对情感知识图谱的构建关键技术——命名实体识别和关系抽取技术加以研究。对于情感知识图谱而言,命名实体识别的目标是识别出文本中的情感词和描述对象,并进一步对情感词加以类似喜怒哀乐等具体感情维度的分类。这要求命名实体识别模型必须能挖掘深度的情感语义,是经典的实体识别模型不需要考虑的问题。情感知识图谱中的关系也不同于一般情况,体现的是情绪上的积极或消极,强烈或平淡。现有的研究工作难以满足情感知识图谱构建需求的问题,本文提出利用多层神经网络模型构建了一个适用于情感知识图谱的命名实体联合识别的模型;并将关系抽取转变为序列标注任务和文本分类任务,构建了一个共享编码器的关系抽取模型完成这两个任务,从而帮助模型更好的学习情绪上的语义特征,提高模型的泛化能力。本文的主要工作如下:1)提出BBC-LSTM模型对社交网络文本进行针对情感知识图谱的命名实体识别,该模型一方面考虑了情感层面的语义,另一方面考虑了情感词和评价对象间的关联,从而得到用于构建情感知识图谱的实体以及实体的属性;2)对情感知识图谱的关系抽取任务进行分析,将其拆解成两个子任务;提出SE-Learning模型对子任务同时进行解决,从而能够更便捷有效的利用社交文本数据获取情感知识图谱的关系;3)通过仿真实验证明本文提出的BBC-LSTM和SE-Learning模型的性能;同时,分析这两个模型存在的不足,并对未来的工作进行了展望。