移动互联网的迅猛发展和智能手机的普及,为人们随时随地发表评论和意见提供了有利条件。在Tweet、微博等社交平台,在淘宝、亚马逊、京东等网购平台,人们可以对不同领域不同商品进行评价。有效的分析这些评价,能够辅助厂家进行销售、未来发展的决策,亦能帮助消费者筛选合乎自己期待的产品。但单纯对评论语句进行情感极性判断,不能提供有效的信息,还需要进一步确定情感词描述的对象。评论的方面级观点挖掘能够从评论中抽取方面级评论对象和评论范畴,有着重要的研究意义与价值。然而海量的评论涉及的商品种类繁多,方面级观点挖掘所需数据标注的过程繁琐,为所有领域的评论建立规范标注语料库将耗费大量的资源。依赖于标注数据集的有监督方法将很难应用于缺乏标注语料的评论领域。如何在少监督及无监督情况下提高模型的效果,并使模型具有领域适应性(包括不同领域、不同语言),是非常值得研究的课题。基于LDA(Latent Dirichlet Allocation)主题模型,本文提出用于方面级观点挖掘的无监督模型SLDA(SentiWordNet WordNet-Latent Dirichlet Allocation)和HMELDA(Hierarchical Clustering MaxEnt-Latent Dirichlet Allocation)。针对LDA主题模型的结果缺乏可读性的问题,设计了以种子词作为主题词且建立倒排索引的方案,增强结果的可读性。同时在LDA主题模型的基础上,引入新的指示变量以细化主题的分类,通过两种不通的策略实现方面级评论对象词和情感观点词的分类。为了提高分类效果,通过两种方式计算词与种子词的相似度,用来对标准LDA中定值参数进行偏置。基于SemEval2016ABSA数据集、Yelp数据集,设计基于不同大小训练集、不同种子词的对比实验。实验证明SLDA模型和HME-LDA模型在无标注训练集的情况下,有较好的表现性。