随着互联网的普及与广泛应用，越来越多的人在互联网上发表自己的主观言论，使得带观点的文本呈爆炸式增长。观点信息（也称情感信息）的收集与分析对个人、商业组织、国家政府等都有重要的作用。然而，由于网络中数据规模异常庞大，且呈现出散乱、无结构化、语言不规范等特点，给信息抽取任务带来了极大挑战。因此，针对WEB的观点挖掘研究应运而生。　　 产品评论是指用户在购物网站或专业评论网站中发表的对某商品或服务的评价信息，它对个人用户和商业组织有很大的利用价值，是一种重要的情感信息源。为了更全面的挖掘情感文本中的关键信息并以更简洁的方式呈现出来，本文以产品评论为研究对象，研究了WEB观点挖掘中的评价搭配抽取以及篇章情感倾向性判断问题。　　 本文的主要工作和创新点如下:　　 (1)针对情感抽取问题，提出融合核心句与依存分析的评价搭配抽取方法。传统的情感抽取任务以评价对象为中心，但是单一的评价对象抽取的应用价值不大，且这种方法忽视了评价对象与评价词之间的共现关系。评价搭配的抽取弥补了这一不足，评价搭配是指评价对象与其修饰词之间的搭配，能够完整表达评论文本的关键信息。本文以评价对象与评价词之间的固有依存关系为核心提取评价搭配，针对网络文本的不规范性给依存关系分析带来的影响，提出了核心句抽取的预处理方法，针对省略评价对象的评价信息，提出了潜在评价搭配抽取规则。实验结果表明，与只使用依存关系分析的方法相比，核心句抽取以及潜在评价对象抽取提高了抽取的准确率和覆盖率。　　 (2)针对篇章情感倾向性判断问题，提出基于混合粒度模型的分析方法。传统的情感倾向性判断往往只关注同一粒度下的文本，如词语级、句子级。然而，网络中的评论文本规模并不平衡，有些篇章由大量长句组成，而有些仅包含少量词语，因此，基于单一粒度的篇章情感倾向性判断方法并不适用。考虑基于不同粒度文本的算法各有其优势，本文提出基于混合粒度模型的篇章情感倾向性判断算法，将基于词语级的篇章情感倾向性判断与基于句子级的篇章情感倾向性判断相结合。实验结果表明，相对于单一粒度的篇章情感倾向性判断方法，基于合混合粒度模型的篇章情感倾向性判断取得了更好的结果。