获取在线评论的情感倾向属于数据挖掘的一个重要研究领域。然而，粗粒度的情感分类算法在复杂的在线评论中难以挖掘商品细粒度属性的情感倾向。如何精确的挖掘在线评论中的情感倾向，是目前数据挖掘中的一个难题。论文从精确获取评论情感倾向的问题出发，提出了获取商品细粒度属性的模型和情感极性分析的模型，研究了如何获取汽车在线评论的细粒度情感倾向性。
　　论文首先提出了一种获取在线评论的网络爬虫，并以汽车之家网站为例，爬取了814025条汽车在线评论。然后，论文为了获取在线评论中产品的细粒度属性，提出了一种半监督学习的细粒度属性获取模型，并以爬取的大规模汽车在线评论为例，获取了汽车的细粒度属性集。最后，论文提出了一种融合CRF与SVM的情感分类模型，并以爬取的汽车在线评论进行实验，获取在线评论中产品的细粒度属性情感倾向。
　　论文提出了一种半监督学习的细粒度属性提取模型,与传统的基于种子词或LDA的模型相比，论文模型能够获取更多的有意义的细粒度属性。与类似最新文献模型相比，论文使用半监督的方法，提高了细粒度提取的效率。第二，论文提出的融合CRF与SVM的情感分析模型，平均准确率达到90%，与没有提取特征片段的分类相比，论文提出的算法效果更好。第三，论文结合细粒度提取以及情感分类模型，提出了一种在线评论细粒度情感分类的模型，获取在线评论中的产品的细粒度属性情感倾向，改善了已有研究中在线评论情感分类过粗的问题。论文的研究结果能够从在线评论中挖掘更精细的情感倾向，帮助消费者或企业做出更有效的决策，具有重要的理论和实践意义。