随着互联网技术的迅猛发展,大量电商平台、社会媒体迅速进入到人们的生活和工作中,大量繁杂多样、内容丰富的观点信息涌现在用户眼前,对这些观点信息进行深度地挖掘、有效地分析,帮助用户进行决策,已经成为产业界的迫切需求。商品评论挖掘是观点挖掘应用的延伸,对消费者快速做出正确的购买决策,商家及时更改宣传方案和销售决策等都具有重要的研究意义。但是,当前中文商品评论挖掘还未达到英文商品评论挖掘的成熟度,本文针对中文商品属性抽取准确度不高、聚类结果不准确等问题展开研究。首先,利用爬虫程序在购物网站上爬取中文商品评价数据,进行数据预处理。提出一种基于商品属性候选词和情感词位置关系的AELSA商品属性词筛选算法,通过对6万多条中文手机评论进行实验分析,找出抽取结果最优时商品属性词和情感词的距离取值,将AELSA商品属性词筛选算法的抽取结果与OPEN框架抽取结果的各项性能指标作对比和分析,验证AELSA商品属性词筛选算法的有效性。其次,针对不同长度的商品属性词语和词组提出两种聚类方法:SMC方法和WMSA方法。针对词语的属性词提出一种基于How Net语义词典和特定属性之间的must-link、cannot-link约束关系的SMC聚类方法;针对较长的属性词组提出一种基于位置权重的简单截断相似度计算的WMSA聚类方法。并将两个聚类算法结合起来对商品属性数据进行层级聚类,形成了SMC＿WMSA聚类算法。利用手机属性数据对SMC＿WMSA聚类算法进行验证,采用聚类的纯度指标分析实验结果,验证SMC＿WMSA聚类算法的有效性。最后,利用HowNet词典和台湾大学的情感极性词典NTUSD相结合的基于词典的方式对每个属性类簇进行情感强度的计算,生成带有属性类簇对应情感强度值的商品实体—属性—情感树的结构图,并以手机数据为例生成商品实体—属性—情感树结构图进行展示,让用户可以直观看到每个商品属性类簇的具体情感词和情感强度值。