近年来,汽车行业发展迅猛,伴随互联网时代的迅猛发展产生了崭新的商业模式,广大用户习惯在网络中发表见解并生成了海量的评价文本。如何快速迭代汽车产品并分析用户观点至关重要,传统的调研手段因为样本量小、效率低等缺陷已经无法满足当前快速发展的市场环境,随着机器学习及人工智能的兴起使得高效分析并挖掘这些用户意见成为可能。本文根据以上背景,立足汽车行业利用人工智能方法展开汽车行业的用户观点挖掘,主要工作有以下四个方面:1.利用网络爬虫技术,针对各大汽车评论网站特点,设计了相应的爬取方案和策略,通过使用Python 3和Scrapy爬虫框架实现了用户在各大汽车网站的评论获取,构建了汽车用户评论观点数据集。2.提出了一种基于特征选择混合词嵌入的观点方面词抽取方法。其主要思想是将机器学习中特征选择方法和自然语言处理中词嵌入方法结合起来,通过嵌入式特征选择使模型在训练的过程中自发地寻找观点词汇,并利用词嵌入技术扩容这些词汇。最后,设计模型对比实验来验证所提出算法的有效性,实验结果表明,所提出的方法能很好地抽取用户文本评论中的观点方面词。3.构建了一种新型深度学习网络架构MAT(Multi-CNN hierarchical Attention Transformed embedding)模型,实现方面词级别的细粒度情感分析。该模型由双头词嵌入层、LSTM层和具有层级注意力机制的CNN特征抽取模块组成。首先,文本序列通过双头词向量得到文本表示,然后经过特征抽取模块获得文本全局信息和子特征,再由层级注意力筛选重要特征,接着通过参数调优实验确定了模型中超参数的最优值,最后设计了对照模型进行性能比较,实验结果表明所设计的模型在方面词级别情感分析任务中取得了较好的效果。4.设计并实现了基于RESTful API的汽车行业观点应用分析服务。首先通过本文提出的算法对汽车用户评论进行分析形成结构化数据,构建汽车行业观点数据库。其次,使用Flask框架结合Echarts技术搭建了汽车行业观点应用分析服务的Web系统。最后,针对不同汽车品牌观点数据进行可视化展示,可为消费者和企业的科学决策提供支持。