有效地分析文本隐含的情感信息是自然语言处理领域研究重点之一,其中实体级情感分析旨在推理文本中实体所传达的情感倾向,更详细地考虑了对产品、服务等实体层面的意见,具有重要的研究价值。为此,针对现有实体级情感分析模型的不足,本文从特定实体和非特定实体两种情况对实体级情感分析进行深入研究,具体如下:(1)针特定实体情况,考虑到循环神经网络效率低下以及卷积神经网络(CNN)语义提取范围受限等问题,研究了一种基于稀疏注意力的可分离空洞CNN。首先利用由语义词向量和情感词向量构成的多通道词嵌入表征编码文本和特定实体;其次通过构建可分离空洞卷积模块,采用不同扩张率的可分离空洞CNN扩大语义交互范围,从而在获取多尺度语义依赖关系的同时减少模型参数;然后根据特定实体位置信息和获取的文本语义特征,设计了用于提取特定实体情感信息的稀疏注意力机制。在多个真实数据集上的对比实验表明,该模型能以17.9 K的模型参数分别在Laptop和Restaurant数据集上获得73.57%和81.36%的分类精度,同时也证明了模型的有效性。(2)针对非特定实体情况,考虑到现有方法将实体级情感分析建模为实体提取和情感极性判别两个子任务,忽略了任务之间的互动,研究利用基于自注意力的层级空洞CNN将实体级情感分析任务转化为序列标注问题,以协同识别实体和其情感极性。该模型主要由编码模块、特征提取模块、译码模块三部分构成。具体地,编码模块将文本编码为既包含语义信息又包含情感信息的词嵌入矩阵;在特征提取模块中,层级空洞CNN和自注意力机制分别负责提取层级语义特征和捕获相同语义空间中单词间的依赖关系;译码模块则根据文本特征和标签约束规则标注文本中各单词。实验结果显示,给出模型在不依赖任何领域特征或先验信息的情况下在Review和Twitter数据集上分别取得了63.33%和72.85%的F1分数,证明了给出模型的可行性。