本文主要研究课题是评价对象抽取,也就是识别出一条文本中评价的目标,评价对象抽取是细粒度的元素抽取,与传统的文档级别情感分类不同,细粒度旨在对主观性文本数据进行更深入的意见抽取和分类工作,这些工作可以广泛的应用于产品评论挖掘、商业智能、社会舆情分析、推荐系统等方面。评价对象抽取的方法大致有两大类:基于规则模板的方法和基于统计机器学习的方法。本文结合这两种方法,显著提升评价对象抽取效果。为了使评价对象抽取有更好的效果,首先在预处理方面构建自定义分词词典,解决分词不准确的问题。设计制定五种句法模式,根据制定的规则,抽取出语料中的潜在评价对象,再通过句法分析中的依存关系过滤出实际评价对象。在选择词、词性特征、情感词特征、与情感词是否有依存关系特征的基础上,加上与动词是否有依存关系特征和规则模板抽取得到的实际评价对象特征,利用CRFs模型来训练和识别。充分利用机器学习模型具有很高的精确率以及规则模板具有高的召回率的优点,从而提高评价对象抽取效果。评价对象抽取主要研究内容包括以下四个方面:(1)本文语料集在预处理阶段,就构建了自定义用户分词词典、情感词典以及动词词典,为实验做准备。(2)首先根据规则模板方法抽取出评价对象,作为CRFs模型的一个特征,结合了规则模板和机器学习方法,使评价对象抽取效果显著提升。(3)为了找到CRFs模型下最好的特征模板窗口大小,本文在2-7个窗口大小下,在不同领域的实验数据集上选择不同的特征组合,查看实验对比效果,选取出最好的特征模板。(4)在CRFs模型下,在手机领域数据集下,对比不同的特征,观察每个特征对评价对象抽取的影响。(5)本文方法与主流的规则方法以及机器学习方法进行比较,进一步说明本文方法在评价对象抽取方面有很好的效果。本文还介绍了一个推荐系统方法研究,这里是对评价对象抽取的一个具体应用。基于互信息算法,从三个方面进行分析数据,包括用户对商品的历史行为、商品标题以及商品标签信息,综合考虑三个方面,从命中率和覆盖率来判断推荐系统的好坏。实验证明,基于互信息的推荐系统取得很好的效果。本节中用户对商品的历史行为的推荐,包括用户对商品的评论信息,这里是对评价对象抽取的一个具体应用,通过评论信息抽取出评价对象以及评价词语,洞悉用户对此产品的需求,然后做出相应的推荐。