文本的情感倾向性分析在实践中应用广泛。对于评论性短文本而言,抽取评价词语及其所评价的对象,是判断情感倾向的关键。由于中文语言存在的缺少形态变化及关系修饰灵活等特点,使得中文评价对象抽取迄今仍是一个未得到妥善解决的问题。随着近年来中文依存句法分析技术的成熟,评论性短文本可以被较准确地解析成依存关系树,可从中挖掘出能反映评价对象及其特征之间关系的特有自然语言模式,以用于辅助提高评价对象抽取的准确性。本文的主要研究工作如下：(1)在分析现有评价对象抽取方法的基础上,基于从依存关系树库挖掘的频繁树模式,提出一种新颖的针对中文评论性短文本的评价对象抽取方法。该方法包括3个主要的步骤：基于依存关系频繁树模式的初始标注；基于错误驱动框架的频繁树模式有序规则集训练；基于频繁树模式有序规则的评价对象抽取。与传统方法不同,该方法能自动提炼反映评价对象的特征,形成相应的依存关系频繁树模式,利用错误驱动框架来解决模式和规则的选用和融合问题。实验证明了该方法的有效性。(2)针对中文评论性短文本的评价对象抽取方法FTTBL在有序规则集训练阶段时间消耗过大的问题,设计了两种优化策略。首先从降低初始频繁树模式规则集规模的角度出发,研究了初始规则集中存在的冗余问题,以不降低评价对象标注准确性为前提,给出了冗余消除策略；对于最为耗时的频繁树模式有序规则集的训练问题,研究发现导致这个问题的主要原因是前后相接两轮训练存在的重复计算量很大,为此分析了前后轮训练重复计算部分所存在的关系特征,据此设计了通过增加少量内存消耗来消除重复计算的策略,从而大大降低算法的计算时间。对以上两种优化策略作了实验验证。