随着互联网和电子商务的快速发展,越来越多的人选择在网上购买商品或者服务。在市场竞争白热化的情况下,商家需要及时发现消费者对产品的一些新需求,以提高产品的市场接受度和竞争力。而产品评论中的用户建议描述了用户对产品或企业提出的一些具体建议,可以帮助企业改进后续产品和制定相应的营销策略,具有十分重要的应用价值,需要对其进行挖掘。对产品评论中的用户建议挖掘研究而言,首要任务是从大量的产品评论中检测出包含用户建议的评论。本文针对建议检测任务中缺少相关数据集、中文建议表达方式灵活、特征构建困难、人工标注工作量大等问题进行研究,并以此为基础构建了产品评论中的用户建议挖掘原型系统主要模块。具体而言,本文的主要研究内容如下:1.首先针对缺乏建议挖掘标注数据集的问题,抓取数据并人工构造了关于中文产品评论的建议挖掘数据集。接着提出了一种集成学习模型来进行建议语句分类。首先使用Stacking组合分类器来构建概率特征空间,使用卷积神经网络和段落向量模型分别构建评论文本的卷积神经网络特征空间和段落向量特征空间,然后对上述特征进行融合,并训练Bagging分类器来对建议语句分类。在中文数据集上的实验结果表明了本研究模型可以有效地检测建议语句。2.考虑到传统建议语句分类方法中存在规则复杂、标注工作量大、特征维度高、数据稀疏等问题,提出了一种基于PU学习的无监督建议语句分类方法。首先,使用简单规则从无标注评论集合中选择建议语句的正例集合。然后,为了降低特征维度,缓解数据稀疏性,在自编码网络特征空间中使用Spy技术划分可靠反例集合。最后,利用正例集合和可靠反例集合来训练多层感知机对剩余的无标注样例进行分类。实验结果验证了该方法的有效性。3.构建产品评论中的用户建议挖掘原型系统中的主要功能模块,包括数据收集、数据预处理、建议语句检测以及建议信息抽取模块,可以从产品评论中自动检测建议语句并抽取建议信息。