随着国内外新闻事件、热门话题的层出不穷,越来越多的互联网终端用户选择在话题中发表各自的观点与评论。面对海量的数据,如何准确、快速的发现热点话题对国家安全、舆论调查、商业决策等领域发挥着重要的作用。同时,面对这些热点话题,用户往往会直接或者间接的表达自己对相应话题的态度,例如“支持”或“反对”等,分析他们的评论能够反映出用户对于话题的立场。挖掘评论文本的观点和立场倾向是细粒度情感分析的重要领域。本文对热点话题发现、评价观点抽取、立场倾向性分类及其演化分析的关键技术进行研究。主要研究工作如下:1)提出了一种基于BTM和K-means的短文本热点话题发现方法。该方法以词共现主题模型(Biterm Topic Model,BTM)为基础,在获得相应的主题词后引入主题词向量,通过融合单词和上下文之间的关系从而提高短文本主题模型的性能。最后在传统K-means基础上,为每个属性特征赋予不同的特征权重,减少了噪音维度对聚类的影响,然后将结果进行聚类从而实现短文本热点话题发现。2)提出了一种基于POS-Bi-LSTM-CRF的评论观点抽取方法。该方法首先使用语言技术平台(Language Technology Platform,LTP)对评论文本进行词性标注。然后使用双向长短期记忆网络(Bi-LSTM)将字向量融合其词性特征得到初始文本表示,最后将文本表示通过Bi-LSTM、条件随机场(CRF)等神经网络层后实现评价对象及观点抽取。3)提出了基于IAN-Bi-LSTM的立场倾向性分类与演化分析方法。该方法使用深度学习的方法实现立场倾向性分类,将话题词向量以及评论文本词向量同时输入到模型中,然后经Bi-LSTM、交互注意力机制等神经网络层后实现评论文本的立场检测,最后将评论文本在时间片上划分,分析不同时间片上评论文本的立场演化。实验结果表明,本文提出的三个模型均取得了较好的性能。针对短文本话题评论数据,结合词向量特征的BTM和改进的K-means算法一定程度上可以很好地完成短文本热点话题发现;基于深度学习模型的评论观点抽取方法的F值达到88%左右;深度学习的方法加强了评论文本和话题之间的相互关系,提高了立场倾向性分类的准确性,然后在时间序列上分析了用户评论的立场倾向性的演化。最后,针对本文研究工作中存在的问题,以及下一步的研究工作进行了说明。