近年来,国内移动互联网发展速度惊人,互联网信息呈爆炸性增长。互联网的新闻行业也取得了长足的进步,新闻内容包括科技、教育、政治、财经、娱乐等,覆盖人们生活的方方面面。网络新闻可以在一定程度上影响人们对世界各地发生事情的看法,引导舆论走向,从而影响社会的意识形态。我国互联网虽然在国家的治理下,不会大规模出现违背社会主义核心价值观的内容,但是仍然存很多负面的情绪,所以对新闻内容以及观点情感的监控是一项非常重要的工作。依靠现在的人工智能技术,我们可以自动提取出新闻实体,包括人物,地点,组织机构名等,然后通过对这些实体进行细粒度的情感分析,梳理舆情事件中各方态度,清晰呈现事件发展态势,预测,研判,构建舆情分析的基础。本文研究对象是自然语言处理中的基础任务,涵盖了命名实体识别与细粒度情感分析。首现是抽取新闻核心实体,这部分主要着眼于机器学习的应用,即如何提高机器学习模型性能,其核心是特征工程。通过构造诸如贝叶斯平滑概率特征,词频共现矩阵等特征来提高模型性能,探究机器学习应用流程中的技巧与方法。其中基础模型是LightGBM,本文会介绍这种集成树模型的演变历程和理论基础,然后应用该模型到命名实体识别任务。在验证模型效果的过程中,本文对比了多个传统且应用广泛的模型与LightGBM效果的差异。其次是情感分析,本文重点实现了新闻对关键实体的细粒度情感分析。这一任务的算法实验设计主要从深度学习方法切入,以LSTM-Attention作为基线模型,通过组合BiLSTM,Attention注意力机制,Capsule胶囊网络,得到创新且表现较好的网络结构。新改进的网络结构其优点在于多角度提取文本关键特征,融合了注意力机制,池化机制,胶囊网络的特点,组合成在特定数据集表现良好的模型结果。然后本文基于数据可视化技术,对实验结果做出了数据分析。针对实体抽取和情感分析两个任务,本文从机器学习和深度学习两个不同方面探究了前沿算法的应用,从中可以发现不同类型算法应用的差异性,例如机器学习侧重模型训练前的特征处理,深度学习侧重模型的搭建与层与层之间的组合。