当下电子商务高速发展,对线上评论数据进行细粒度的情感分析成为近期的热点技术。目前,细粒度的情感倾向性分析通常采用多标签分类技术作为解决方案,但是此方案无法获取实例中的情感实体与情感属性,从而对情感倾向性分析任务的性能产生影响。所以,受情感知识图谱构建方法的启发,本文尝试将实体关系抽取任务应用于情感倾向性分析场景中,以提高情感倾向性分析任务的识别效果。但是,在实体关系抽取任务中,串联式实体关系抽取具有一定的错误传播性,且忽略了实体识别与关系抽取任务之间的联系;此外,在真实数据中客观存在的关系重叠问题上也缺乏有效解决对策。综上所述,为了解决上述实体关系抽取存在的问题,本文提出了一种实体关系联合抽取的方法,该方法融合了条件随机场与卷积神经网络,同时,引入自注意力机制及词语位置信息,实现了实体关系的准确抽取。本文主要研究的内容及成果如下:(1)针对在中文实体关系抽取上采用多任务串联式抽取方式时出现的错误传播问题、多任务间缺乏联系的问题以及关系重叠问题,本文提出了融合条件随机场与卷积神经网络的实体关系联合抽取算法。本算法采用条件随机场模型来识别文本中的实体,抽取主体位置信息,结合双向长短时记忆网络、自注意力机制与词位置信息获得文本特征,通过卷积神经网络对与主体存在关系的客体与关系同时抽取。本算法在实体关系抽取任务上F1指标可达79.79%,在相同的中文数据集下的表现要优于经典的Multi-head Selection以及DGCNN模型。(2)目前在对文本进行细粒度情感分析的任务中,缺乏将情感实体及属性的抽取与情感极性的分类作为联合任务进行情感分析的方法,针对此问题,本文提出一种基于实体关系联合抽取的多标签分类算法。该算法利用融合条件随机场与卷积神经网络的实体关系联合抽取算法抽取出商品的情感实体及情感属性,引入情感实体与情感属性的位置特征,通过双向门控循环单元,对文本进行细粒度情感多标签分类。本算法在准确率的性能上可达72.83%,该结果优于经典的双向门控循环单元、双向长短时记忆网络等多标签分类方法在细粒度情感倾向性分析任务上的表现。因此验证了本文所提出融合条件随机场与卷积神经网络的实体关系联合抽取算法应用于情感倾向性分析任务这一场景中的有效性。