移动互联网和社交媒体的迅速发展,使得越来越多的民众可以随时随地参与到热点事件的讨论中表达自己的观点、立场。围绕特定的事件或者话题目标,用户间的交互文本是各自表达情感、立场的主要载体。挖掘交互文本中的用户立场具有重大科学研究价值和应用前景。现有文本立场分析的方法主要包括基于机器学习的方法和基于深度学习的方法。基于机器学习的文本立场分析相关技术依赖于特征构建和筛选,但停留在浅层语义特征表示阶段;基于深度学习的文本立场分析相关技术可以为交互的两个文本分别提取深层语义特征,但忽略了文本交互过程的建模,同时局限于交互文本的语境,无法嵌入背景知识用于立场的判别。针对上述问题,本文通过结合注意力机制和背景知识,研究基于深度学习的交互文本立场分析方法。本文研究将双向长短时记忆模型用于交互文本Quote-Response(Q-R对)的底层序列建模,在交互文本联合建模的过程中结合自我注意力机制和交叉注意力机制,使获得的文本表示能够在突出Q/R各自关注重点的同时兼顾二者之间的交互语境信息,从而更好地支持交互文本中的立场分析。在三个公开英文在线辩论数据集Internet Argument Corpus(IAC),Debatepedia(DP)和Agreement by Create Debaters(ABCD)上的实验显示,结合注意力机制的双向长短时记忆模型在交互文本立场分析任务中,相对基线方法取得明显的性能提升,其中在IAC和DP数据集上的分类准确率分别提高了8.8%和19.6%,在ABCD数据集上的平均1值提高了26.1%。考虑到基于端到端深度学习的交互文本立场分析模型缺乏背景知识嵌入的不足,本文进一步研究结合背景知识的交互文本立场分析方法。该方法首先以交互文本中的实词作为查询,从维基百科中检索相关的背景知识。然后在利用深层记忆网络和注意力机制从检索结果中获取与交互文本相关的背景知识特征,嵌入到交互文本的表示,从而将背景知识引入交互文本立场分析。实验结果显示,通过选取适当的背景知识嵌入层数以及嵌入层连接方式,在DP数据集的分类准确率可以进一步提升1.7%,而在ABCD数据集的平均1值则进一步提升0.5%。这一结果显示出背景知识嵌入可以进一步提高交互文本立场分析性能。