近年来，随着互联网的飞速发展、网络信息的高速膨胀，在电子商务领域中，涌现了大量的针对产品或服务的评论，在这些大量的评论文本信息中，集中反映了产品或服务的特征信息，同时隐藏了用户基于产品特征上的观点态度与情感偏好。由此进一步，如何利用这些挖掘到的用户的观点与偏好信息，改进当前的电子商务推荐系统，也是当前的一个研究热点。　　 一方面，在当前电子商务系统中，用户在线购买产品或者服务时，需要仔细甄别产品的各项描述信息，以及其他用户关于该产品的评论信息，以确定是否购买。然而许多产品都拥有海量的评论信息，需要一种机器学习的方法，从评论中挖掘并统计用户的观点信息，既可以大量节省用户的浏览甄别时间，降低了用户购买成本，又能够提高电子商务系统的体验。　　 另一方面，现在很多电子商务都拥有自己的推荐系统，利用用户评分的协同过滤推荐系统已经发展成熟，并得到很好的应用，但是对于其中的具体的产品或服务，大多都是具有多维特征的，用户的对于某个产品的整体评分信息相同并不能代表用户产品细节特征上的偏好与观点是相同的。所以通过挖掘评论特征，以及特征方面的用户意见倾向，可以进一步细化挖掘用户基于特征上的偏好信息，实现更精确的协同推荐。　　 本文基于以上研究目标，主要做出如下三个方面的研究与设计工作：　　 一，基于在线产品评论信息的用户观点计算，研究在电子商务中的产品评论信息中，通过结合人工监督的文本挖掘方法来提取产品的特征信息，通过总体评级信息挖掘用户基于产品特征上的观点意见与褒贬倾向。　　 二，基于情绪挖掘的方法改进协同过滤推荐系统，利用挖掘到的用户情感偏好信息，改进传统的基于总体评级的用户相似度计算方法，进而改进协同过滤推荐方法。　　 三，结合前两点的研究成果，提出并设计了一个基于在线产品评论观点挖掘的推荐系统E-Opinion原型系统。