随着互联网技术的蓬勃发展,电商平台在人们生产生活中越来越重要,同时也成为我国经济体系中十分重要的一部分。尤其在2020年上半年面对新冠疫情的严峻挑战时,商品消费明显由线下向线上转移。顾客和商家对产品和服务的线上评价反馈愈发重视,然而海量评论让人难以找到对自己有用的信息,在此背景下观点挖掘技术应运而生。传统的文档和句子级别的观点挖掘只能获得产品和服务在整体上的优劣,无法获取方面或者属性级别的评价信息,难以满足顾客和商家对于更加细粒度的观点信息需求。因此,特征级别的观点挖掘分析,即细粒度观点挖掘脱颖而出,成为近年来学术界和工业界的研究热点之一。特征级别观点挖掘,也称作方面或属性级别观点挖掘,是对评价对象的不同特征进行观点挖掘和情感倾向分析。观点内容提取和评论特征识别是特征级别挖掘任务的两个子任务,通过在评论文本中获取特征级别的观点内容,再判断该观点评价的特征,达到识别出特征级别观点信息的目的。面对评论中通常包含多个特征方面观点时,从评论中获取特征级别观点内容是观点挖掘的首要任务。有效的提高观点识别的准确性和自动化程度,更有助于特征级别观点挖掘任务的开展。此外,许多评论中都并未以字面形式显式包含评论特征,在特征挖掘研究领域中,大多研究都是针对显性特征进行,面向隐性特征的研究相对较少,是特征挖掘中的难点问题,因此挖掘分析隐性特征对于观点挖掘任务来说有着重要意义。在此背景下,本文以某品牌服装的在线评论作为研究数据,以识别评论中隐含的隐性特征为研究目的,先采用BERT和CRF结合的序列标注方式提取特征级别观点内容,再用BERT-AV模型对隐式观点内容识别其隐性特征。主要研究内容如下:（1）数据预处理。针对网络评论标点符号不规范,造成传统分句方法工作量较大的问题,采用序列标注的方法,对评论中特征级别观点内容进行逐字标注。这种方法能够有效识别短评论中细粒度的观点内容,逐字的方法更准确的观点内容进行提取减少信息丢失,同时减少非观点内容对后续特征识别工作的影响。（2）基于BERT和CRF的观点内容提取。采用序列标注的方式来提取观点内容,通过BERT和CRF模型结合的方式,让深度学习模型学习评论文本中的观点内容的相关信息,实现了评论中细粒度观点的自动提取,通过标注少量数据集即可获得不错的提取效果。此外,将标注好的观点内容采用基于规则的匹配方式筛选隐式评论,供后续模型的训练和测试工作使用。（3）通过构建特征类指示词表。通过大规模领域语料库构建特征类指示词表,其中特征词为名词,意见词为形容词和动词,使用多项常用指标进行筛选,挑选出与特征类最相关的意见词作为该类的指示词。最后,将各类的特征类指示词进行汇总,得到基于领域的特征类指示词表。（4）基于BERT-AV的隐性特征类识别模型。首先,通过BERT模型获得隐式评论观点句的句向量。然后,将隐式评论观点句子的分词结果与特征类关联词表进行匹配,若出现关联词,则计算其词向量信息,最后在微调阶段与句向量进行结合,输入到最后的全连接层中来实现隐性特征识别。通过将指示词的词向量信息融入到BERT模型中,增加句子的特征,使得经过微调的BERT-AV模型在多分类问题上有更好的表现。本文提出的基于BERT的在线评论隐性特征识别模型,可以有效识别出评论中的观点内容,提高隐性特征识别的准确率,提升特征级别观点挖掘的效果,在中文服装类在线评论数据集上有着不错的隐性特征识别效果。