社交媒体的迅猛发展为用户提供了更为丰富的表达观点的方式,例如写评论、发表情等,这些文本数据混杂着关注、点赞、转发等行为数据,对现有的观点挖掘方法提出了挑战。考虑到社交媒体数据具有以下特性:(1)用户持有多粒度的观点;(2)用户感兴趣的主题更大程度上影响用户的观点;(3)社交网络结构上有联系的用户之间可能共享相同的观点;(4)用户的观点可能随时间变化,本文围绕基于结构和内容的层次观点挖掘展开研究。论文的主要工作包括如下:1)考虑到微博文本观点的多粒度特性,我们提出了基于概率图模型的层次观点挖掘方法(Hierarchical Opinion Phase,HOP)。与传统的层次主题模型不同,HOP假设对于某一主题只持有支持或者反对立场,这样HOP模型在根节点只有两个分支。同时为了更好地表示观点,我们引入了短语(Phrase)的概念。为了进一步提高层次观点挖掘的准确性,我们引入了哈希标签和情感词字典作为先验。HOP模型在我们爬取的两个分别关于“英国脱欧”和“美国大选”热点主题的微博数据集上实验,结果表明,HOP能够准确地挖掘出层次观点,在文本级别的立场分类上也能取得了不错的性能。2)考虑到用户的观点可能来源于文本的表达,也可能来源于其所在的好友群体,我们提出了一种基于结构和内容的动态观点神经网络模型(Neural Opinion Dynamics,NOD)。该模型将每个用户建模为一个递归神经网络(RNN),用以模拟用户的时序行为,每个RNN的输入为用户的微博文本,用户邻居的微博文本以及每条微博的主题,由一个注意力机制概括这些特征,这一注意力机制反映了“用户对感兴趣的话题会投入更多关注度”这一现象。模型在爬取的微博数据流上进行实验,每个时间段的数据被用于预测下一个时间段的立场,结果表明,NOD模型能够准确地预测用户关于某一主题的立场。