作为一种新颖的信息检索任务,近几年来,意见检索逐渐进入了人们的视线并渐趋引起人们的重视。而在现有的意见检索研究中,主流的研究方法是分别计算目标文档的主题相关程度值和意见相关程度值,并根据指定的合并函数,权衡上述两项分值的权重并最终归并为一项分值,用以代表该文档与查询主题之间的主题与意见同时相关的程度高低。如何计算文档的意见相关程度值以及如何选择恰当的合并函数来实现分值的合并,是意见检索过程中的两个关键问题。与此同时,现有研究成果的主要问题在于,当前所定义的合并函数均未考虑到文档的领域属性,同时当前意见检索领域中的经典系统所定义的合并函数的实验结果也并不理想。针对意见检索所存在的上述问题,本文在研究过程中借鉴了文档的领域分类思想,利用语言模型计算文档的意见相关程度值,并引入遗传编程技术,针对不同的文档领域自动学习并确定最优的合并函数。在开展意见检索任务的过程中本文采用了当前流行的分步实现的遗传编程框架,设计并实现了一套新颖的意见检索系统用以实现:(1)主题相关程度值和意见相关程度值的计算;(2)针对不同领域属性的文档,学习并获得最优的合并函数来对(1)中的两项分值进行合理有效地整合,以提高意见检索系统的整体性能。在实验过程中,本文采用了与其他研究工作相同的标准数据集和评价体系,并将本文系统与意见检索领域中经典的系统进行性能比较。实验结果显示本文系统的性能仅次于最优的意见检索系统,表现具有竞争力。