互联网的高速发展使得信息的采集和传播速度得到了显著的提升。用户每天都会从新闻网站、APP应用上获得大量的新闻信息。当社会上发生某一事件后,很多媒体机构都会在网络上报道与这个事件有关的新闻,大量的新闻报道和转载就形成了一个热点新闻事件。网民会通过互联网阅读该新闻,并针对新闻当中的人名、地名、组织机构、事件等不同的对象发表自己的观点。自然语言处理（Natural Language Processing,NLP）中的观点对象抽取领域能有效地挖掘出用户针对文本中的哪些对象发表自己的观点。对中文热点新闻评论进行观点对象抽取研究,可以有效地为后续的舆情分析,了解民意提供基础性技术支撑,有很广泛的应用价值。因此,对网络热点新闻评论进行观点对象抽取研究具有重要意义。观点对象抽取是观点挖掘领域中的一项子任务。目前国内外在观点对象抽取领域作了大量工作,但在网络热点新闻评论观点对象抽取上还存在以下问题:（1）缺乏可以支撑网络热点新闻评论观点对象抽取研究的语料。（2）新闻评论存在大量噪声,导致观点对象识别效果不佳。（3）字符级观点对象抽取方法虽然粒度上比词语级观点对象抽取方法精度更高,但字符实际上缺乏词性信息和位置信息。本文针对以上的问题展开研究并取得了以下成果:（1）构建新闻评论语料库。利用爬虫方式从新闻网站爬取了一定数量的新闻与对应的评论作为支撑研究的语料库。（2）提出融入新闻标题信息的新闻文本与评论语义相似度计算方法。通过语义相似度计算可以有效地筛选出评论中与新闻内容相关的部分,提高观点对象抽取模型的性能。针对新闻文本与评论长度差异较大导致语义相似度计算效果不佳和BERT对超长文本序列处理能力不佳等问题。将计算语义相似度转换成计算两种文本的主题相似度。在融入新闻标题信息的基础上利用TextRank算法将新闻文本转换成短文本,将短文本和评论传入BERT获得语义融合表示后,再引入主题模型计算该短文本与评论的主题分布向量,最后将语义融合表示和主题分布向量融合传入全连接层计算评论与新闻是否相关的概率。实验结果表明该方法具有一定的效果。（3）提出一种基于TextRank与BERT预训练模型的新闻评论观点句识别方法。本文认为观点对象存在于观点句之中,通过观点句识别可以对评论进行进一步筛选,从而有效地抽取出观点对象。针对传统观点句识别方法没有融入外部信息,BERT处理超长文本序列能力不佳等问题,提出通过融入新闻摘要信息来提高观点句识别效果。首先通过TextRank算法对新闻生成自动摘要,再将新闻的每条评论与新闻摘要信息一起传到BERT模型中获得文本融合表示,最后送入全连接层,利用softmax函数将全连接层的输出转换为是否为观点句的概率。实验结果表明该方法具有一定的效果。（4）提出一种融入词性-位置特征和字典特征的新闻评论观点对象抽取方法。针对字符级观点对象抽取方法忽略了词语的词性信息和位置信息等问题,首先利用新闻文本构造字典,其次通过对评论文本进行分词、词性标注、位置标签集标注等处理构造每一个字符的词性-位置特征,利用n-gram方法以字符为中心,根据字符的上下文来构造词汇并与字典进行匹配,从而构造出字典特征。将字符序列、词性-位置特征和字典特征进行融合后传入BiLSTM-CRF网络层去进行序列标注。实验结果表明该方法具有一定的效果。