情感分析是当前自然语言处理领域中最活跃的研究方向之一。作为细粒度的分析方法,属性级情感分析可以从文本中挖掘出针对不同属性的倾向性,更好地反映情感的复杂特征。属性提取是属性级情感分析的基础工作。目前属性提取方法中属性词与上下文联系不够紧密,缺乏对全局信息的充分利用。另外,可用的数据集较少,每个数据集中包含的数据量规模较小。解决上述问题对于提升属性提取效果有积极作用。针对上述两个问题,本文以双重词嵌入模型为基础,融入了自注意力的思想,提出基于自注意力的双重词嵌入卷积神经网络的方法与基于同义词替换的文本增强方法。本文的工作得到了国家重点研发计划项目“内外贯通的审判执行与诉讼服务协同支撑技术研究”（2018YFC0831300）的支持。论文的主要工作如下:（1）针对属性词与上下文联系不够紧密,缺乏对全局信息利用的问题,在双重词嵌入卷积神经网络（Double Embeddings and CNN-based,DE-CNN）模型的基础上,提出了一种基于自注意力的双重词嵌入卷积神经网络的方法。该方法通过引入自注意力机制和位置编码,将属性词和其他单词之间的路径长度变为1,加强属性词与其他单词之间的联系,捕获长距离依赖和更多的全局语义信息。利用属性词和意见词之间的依赖关系,根据单词间的相关程度增强属性词的特征表示,减弱非属性词的特征值,为后续卷积神经网络的学习提供更多有用的信息。实验结果显示,相较于DE-CNN,该模型在两个数据集上平均F1分数分别提高了0.52和1.74。（2）针对属性提取工作可用数据集较少的问题,在简单数据增强（Easy Data Augmentation,EDA）技术的基础上,提出基于同义词替换的文本增强方法。该方法结合属性提取任务标签与输入的各个单词严格对应的特点,改进了EDA中的同义词替换算法,加入数据的预处理,扩展数据集。实验测试了该方法扩展后的数据集,结果表明增强后的数据集有效地提升了各个模型属性提取的效果,基于自注意力的双重词嵌入卷积神经网络模型相较于原数据集平均F1分数值提高了0.62,部分模型相较于原数据集平均F1分数提高了1以上。结合基于同义词替换的文本增强方法和基于自注意力的双重词嵌入卷积神经网络方法进行属性提取,实验结果显示,相较于DE-CNN模型,在数据集上的平均F1分数提高了1.14,证明了上述两种方法的有效性和合理性。