随着智能手机的性能不断提升,人们将使用习惯逐渐从电脑端转向更加具有便携性的移动端,对于手机APP的使用也愈加频繁。基于这种趋势,APP软件的数量指数增长,给开发者带来了巨大压力,若无法有效满足用户需求,则很容易使用户转向使用其它APP,最终自己产品惨遭取代或淘汰。因此APP开发者需要通过将产品不断迭代响应用户需求来得到更高的用户评价和支持。除了有经验的产品经理等专业人员定义软件功能外,应用商店中的用户评论中,蕴含了大量的用户的需求和使用过程中遇到的一些问题,这些评论将对接下来的版本更新具有很大的帮助。但这些用户评论质量参差不齐,且数量巨大,人工将全部评论查阅并筛选显然不切实际。因此研究如何使开发人员有效利用用户评论对APP迭代具有重大意义。在对现有的用户评论驱动软件迭代的方法研究后,发现大部分方法是仅针对用户评论展开研究,或者使用到了更新日志的信息但还未能充分挖掘更新日志与用户评论的深层关系。同时许多研究中加入对用户意图和情感的分析,但均是使用已有的经典模型。基于以上问题,本文通过对短文本分类和情感分析优化以及加入开发者意图挖掘使最终评论的推荐数量更少但包含更多对开发者有用的信息。具体研究内容如下:（1）本文提出一种高效的短文本分类方法用于用户意图识别,并将评论分为特征请求、错误报告、用户体验与其它。该方法基于改进BERT和多阶段TCN技术,使用知识图谱丰富短文本的语义表示,BERT预训练模型结合词性和词语权重对向量优化,将优化的词向量信息结合CNN和TCN提取特征,结合注意力机制突显关键信息。最终分类结果在Snippets标准数据集中F1达到了94.05%,相比经典模型有所提高。（2）提出一种改进的方面级情感分析方法,充分利用显式句法结构挖掘文本信息。对每个单词与方面词之间语法路径进行建模,获取句法表示反馈到关注层推断权重。对单词和句子级别分别使用注意力机制得到评论的表示。最终情感分类在Sem Eval 2014 Task 4中restaurants数据集准确率达到87.01%。（3）利用BERTopic主题模型处理更新日志挖掘开发者意愿,最终结合情感、意图、开发者意愿等多方面因素筛选出最有用的评论为开发者提供建议。准确率达到85%,结果表明本论文推荐的评论对开发者对后续的维护和演化任务具有重要意义。