随着智能设备和社交媒体的快速发展，电商平台已经成为人们日常生活中不可缺少的组成部分。面对日益激增的交易数据，推荐系统有利于用户更快地筛选产品。在现在的电子商务领域中，在线评论和打分信息能够帮助用户进行更好的购买决策，因此，如何更好地利用这些信息成为一个关键的挑战。近年来，已经有大量的研究人员开始致力于探索用户的评论、打分、偏好和行为信息，深入挖掘用户的喜好，从而为用户进行更加个性化的推荐。
　　然而，现有的研究对用户偏好和商品属性的动态演化尚缺少深入理解和量化分析。此外，现有研究还没有进行方面级的细粒度规律探索。总体来说，用户观点演化研究主要面临三个挑战：首先，现有的工作对用户和商品的演变(动态特征)缺乏深刻的了解。其次，缺乏在方面级别上对用户和商品的综合时间动态分析。此外，将用户和商品的方面动态特征融合进入情感预测任务也是一个迫切的需要。
　　为了解决以上问题，本文提出了两个概念：用户成熟度，商品流行度，以便更好地探索用户观点和商品属性的动态演变。本文致力于在方面级别上探索用户和商品的细粒度演化特征，以实现对用户观点的动态预测。本文的主要研究内容如下：
　　1)探索了一个基于方面的情感动态预测问题(Aspect-based Sentiment Dynamic Prediction Problem)，简称ASDP问题。为解决该问题，本文描述了用户成熟度和商品流行度的概念，来捕捉用户和商品的动态特征，并探索它们以达到更精准的情感预测。
　　2)通过分析三个真实的数据集，从整体角度和方面角度，深入地研究了用户方面偏好和商品方面属性的动态变化情况(如渐变情况和突变情况)。
　　3)通过均匀设置时间间隔的方法，本文设计了一个新的模型ASDP来动态捕捉用户方面偏好和商品方面属性的变化规律。在此基础上，基于突变时间点采用了一个时间分割算法来非均匀地设置时间间隔，为了加以区别，采用时间分割算法之后的模型简称为ASDP+。
　　4)在三个真实数据集上评估了本文展示的ASDP和ASDP+模型，相比于基线模型，所提模型得到了显著的性能提升。比如，在Beeradvocate数据集上，模型在F1值上的提升为2%-20%。