评价对象的识别旨在识别出评论中意见表达所针对的对象,属于情感分析研究中最基础的任务。目前,大多数研究主要集中于产品评论领域中评价对象的识别。传统的方法是通过评价词和评价对象之间的依赖关系识别出评价对象。微博文本口语化色彩浓重、语言表达不规范及表达观点的句子经常省略评价词,因而传统的方法并不适用微博文本。本文通过深入分析微博文本的语言特征,挖掘句子间的内在关系,识别出微博中的评价对象。首先,本文提出了基于候选词聚类的评价对象识别方法。基于微博具有话题性的特点,本文采用词聚类方法对评价对象候选词进行聚类,以发现一个话题下微博用户经常评价讨论的数个方面;基于聚类结果及相似的句子通常围绕同一类对象发表观点的想法,对句子进行分类以发现相似的句子;结合句子间的相似性和句子中候选词间相似性,利用相似性迭代算法评估候选词成为评价对象的置信度,以帮助找到观点句中正确的评价对象。根据微博观点句中评价对象识别的实验结果表明,本文提出的基于候选词聚类的方法对比已有研究方法中最好的结果在精确和宽松评价方式上F值分别提高了7%和4%。其次,为了对微博中不带有观点信息的文本进行过滤,本文提出了基于有监督的微博观点句识别方法。分析微博文本中观点句和非观点句表达差异,基于已有研究成果中表现良好的特征并结合中文微博的语言特点,提取出评价词、一元词、词性、副词、动词以及语气词和语气标点符号作为特征,通过卡方检验法进行文本特征选取,确定最佳的特征维度和特征组合方式,利用SVM进行文本分类识别出观点句。结果表明,词性、评价词、副词、语气词和语气标点符号有助于在中文微博领域观点句的识别。最后,综合前两项工作,完整的构建了中文微博评价对象识别方法。根据本文提出的观点句识别方法对微博文本中非评论文本进行过滤,从识别出的观点句提取出评价对象。实验结果表明,该方法对比参与CMSAE中评价对象识别任务的十六支队伍中最好的实验结果在精确和宽松评价方式上F值分别提高了4%和3%。