随着电子商务和社交网络的蓬勃发展,越来越多的网民对各种产品、事件和人物发表自己的看法,网络评论信息的数量呈爆炸式增长。这些信息的收集和分析对个人、组织、社会乃至国家都有重要意义。面对如此庞大的数据量,人为分析显然不能满足需求,所以针对网络评论信息的观点挖掘成为一个重要的研究课题,也逐渐得到了广泛的关注和深入的研究。针对网络评论的观点挖掘研究主要集中在特征提取和情感分析两个方面。近年来,作为一个无监督机器学习模型,LDA主题模型在观点挖掘领域做出了巨大贡献。但是观点挖掘的研究也存在问题:基于LDA的模型需要预先设定主题个数,许多模型无法区分特征词和观点词,不能识别出特征相关的观点词以及过分依赖情感词典进行情感分析等。为解决这些问题,本文结合分层狄利克雷过程主题(HDP-LDA)模型和最大熵主题(MaxEnt-LDA)模型的优点,提出了一个分层狄利克雷过程和主题最大熵混合(HDP-ME-LDA)模型。HDP-ME-LDA模型主要有如下贡献:(1)该模型可以自动决定主题的数量而不需要人工干预。HDP自动聚类生成的主题数往往比人通过经验决定的主题数更符合文本内在的信息。(2)该模型不仅可以区分特征词和观点词,还可以区分全局特征词和局部特征词,全局观点词和特征相关的局部观点词,使得观点挖掘结果的粒度更细致,展示的信息更具体和实用。(3)该模型不仅可以提取出主题和观点,还可以分析观点的情感极性。模型没有使用情感词典,摆脱对情感词典的依赖,增强了情感分析的跨领域性。(4)该模型使用短句作为基本单位,相比其他基于LDA的模型,最大程度保留了文本的上下文信息本文实现了HDP-ME-LDA模型并在适当的数据集上完成了对照实验。实验结果表明,相比于JST、ASUM、MaxEnt-LDA和HDP-LDA等主流模型,HDP-ME-LDA的结果更加全面和具体,且在主题一致性、划分词语主观性的准确率、识别局部词语的准确率和情感分类准确率上均有更好的表现,它解决了本文提出的问题。