日常生活中,人们会将海量的评论信息通过多种手段发布到各个社交网站和购物网站中,表达个人积极或者消极,支持或者反对的情绪。情感分析(Sentiment Analysis,SA)运用计算机技术,帮助用户以更快的速度挖掘、整理以及分析这类评论信息。方面级情感分析(Aspect-Based Sentiment Analysis,ABSA)是情感分析的一种,其提取针对实体的各个方面发表的意见,是一种细化的情感分析模型,方面级情感分析的重要步骤之一是方面提取。本文基于产品评论数据,研究了基于迁移学习的方面提取算法。主要研究内容包括以下几点:(1)提出一种方面提取的迁移学习算法(Transfer Learning Algorithms for Aspect Extraction,TLAE)。此算法将标签传播算法(Label Propagation Algorithm,LPA)思想与迁移学习框架相结合。第一步,句法分析。对原始评论数据进行句法分析,提取出所有领域文本评论数据的语言特征,实现原始特征空间从高维降到低维;第二步,构建跨域数据表示图。图节点包括源领域数据的方面标签、目标域数据的方面候选标签和所有领域数据的语言特征,图的边为语言特征节点和方面节点的连接线,边的权重通过方面节点和语言特征节点之间的频数计算;第三步,实现方面标签传播。基于数据表示图实现源领域与目标领域的方面标签传播,完成目标领域数据方面的分类。将此算法分别在不同领域英文数据集和中文数据集上设计实验,且与方面提取的其他算法作了对比,结果表明,源领域和目标领域相关性越低,TLAE算法分类精确度越高,较最优的算法分类精度高出1.31%-3.96%,且该算法在分类时间上占有绝对优势。(2)设计并实现基于TLAE算法的观点挖掘系统,对产品评论数据进行方面级观点挖掘,筛选出包含评价实体及实体方面的文本,针对实体的不同方面进行评论观点挖掘,并作可视化分析。系统可以让消费者和商家更全面地了解产品各个方面,以帮助他们更好地做出决策。