近年来,万物互联,网络发展迅速,无纸化的不断普及,促使了大众交流方式的改变,不再只是面对面一种方式,人们越来越热衷于通过发表评论来表达自己的观点和看法,数据量日益递增。同时海量的数据也导致了无效信息的不断积累,有效信息难以直观体现的问题,对这些海量评论中蕴含的主观有效信息进行深入的挖掘,抽取其中有价值的信息,能够帮助各行各业把握舆论态势,引导商品未来发展走向,也能够为用户本身提供所需关键信息,做出相应决策。于是,为解决该类问题,口碑监测类的相关系统应运而生,细粒度意见挖掘作为这类系统中的重要一环,在有效信息抽取的准确度方面起着非常重要的作用。本文针对细粒度意见挖掘部分进行了研究和试验,针对传统模型忽略主观文本抽取的重要性,在对评价要素抽取时,没有过多考虑句中词语之间的关联关系,并且忽视了隐式评价对象对意见挖掘结果的影响,做出相应改进。借助护肤品领域的产品评论文本,构建了新的主观文本抽取词典,并结合机器学习方法构建模型进行文本分类,提出了三层评价要素组合抽取模型,并将主客观分类和评价要素抽取的成果应用到情感极性分析的实现中,完成了产品评论文本的情感分类,对比了不同模型的分类效果,提升了口碑检测系统中意见挖掘模型的性能。本文基于意见挖掘模型的研究成果,将其应用于口碑监测系统中,系统基于Python语言,采用Flask框架进行搭建,借助Scrapy框架和MongoDB实现数据的采集和存储。系统用户可通过自定义上传已有的商品评论文本完成采集数据的添加,或者通过网站链接配置采集任务,完成网络数据的采集,然后通过意见挖掘模型,包括对采集数据进行文本预处理、主观文本抽取、评价要素组合抽取以及情感极性分析,并将意见挖掘的结果进行展示。