随着互联网的蓬勃发展,社交网络平台全面渗透进人们的日常生活。以微博为代表的中文社交网络平台凭借其自由便利的信息交互方式吸引了大批网络用户,新闻传播也从传统的报刊、电视等模式转向了移动互联网阵地。网络舆情事件中,网民拥有较高的参与度,其发布的意见与评论不仅反映了对于该事件的态度,也能够反映出对网络媒体的情感倾向和立场。尤其是质疑、反对等不满意见容易给媒体公信力带来负面影响,破坏媒体形象,进而影响互联网的健康发展。因此,网络媒体应当提供何种内容讯息、应该树立什么样的形象、应该如何在舆论传播中发挥正面积极的作用,这是值得探究且意义重大的问题。本文构建了一个基于用户生成内容的公众评论意见挖掘研究框架,以微博在线评论为研究对象,从情感分析和立场检测两个维度进行公众评论意见挖掘研究,旨在监测微博用户作为信息接收者在网络媒体发布虚假新闻后反馈的信息体验感知态度,为网络媒体改善内容服务质量、提升媒体价值以及政府进行舆情引导提供依据。具体的研究从以下三个方面展开:（1）本文分析了公众评论意见挖掘任务的构成,将基于用户生成内容的公众评论意见挖掘研究框架分为语料构建、情感分析和立场检测三个模块。考虑到微博数据的复杂性以及后续公众评论意见挖掘研究与分析需求,本文提出了一种高效的语料预处理与构建方式:首先基于选定主题爬取相关话题下的微博评论和转发内容构建初步语料库;然后以用户为实体、评论和转发行为为关系构建舆情传播用户主题图谱,参考节点中心度和用户影响力指标寻找意见领袖;最后从意见领袖中筛选网络媒体为目标用户,爬取相关微博下评论区的用户生成内容,构建公众评论意见挖掘任务语料。（2）针对自上而下的自回归模型无法同时利用上下文信息,以及自编码的语言模型BERT忽略了被遮蔽的字之间的依赖关系的问题,本文提出了采用基于知识增强的语言表示模型ERNIE作为词嵌入的情感分类模型ERNIE-Text CNN、ERNIE-Text RNN＿Att,并通过实验和理论分析手段对模型的效果进行比较和评价。实验证明,ERNIE模型使用的字、词以及实体三个级别的遮蔽策略可以获得更丰富的语义信息,将ERNIE训练的词向量输入Text CNN和Text RNN＿Att模型分别进行下游任务的训练以获得更深层次的语义信息,能够有效提升情感分类的效果。（3）考虑了用户情感和认知水平对立场的影响,本文将立场检测从文本分类扩展为多维度特征融合的分类问题,在Text CNN模型的基础上提出了一种基于用户特征融合的评论立场检测模型。使用Text CNN提取文本特征,并采取先融合的方法在特征层将用户情感特征和用户认知特征与文本特征进行融合,用于模型训练和立场预测。实验结果证明,本文提出的融合了用户情感特征和认知特征的立场检测模型在立场检测任务中表现出了更好地效果。