随着网络购物的蓬勃发展,各大网络购物平台积累了大量的用户评论数据。如何有效分析并利用这些用户评论数据,发掘海量用户评论数据的价值,为相关实践提供信息参考,这具有重要的理论意义和现实意义。在此背景下,在线评论用户观点挖掘应运而生。目前关于在线评论用户观点挖掘的研究大体可以分为观点抽取和观点情感分析两大类,观点抽取是观点情感分析的前提和基础,二者相辅相成,常被统称为用户观点挖掘。关于观点抽取的研究大体可以分为基于规则和模式的人工抽取方法以及基于机器学习、深度学习的自动化方法,虽然自动化方法相较于人工方法的性能更优,但其模型训练较大依赖于前期大量人工标注的语料,且标注语料的质量决定训练模型的效果,另外,自动化方法抽取结果的可解释性也弱于基于规则和模式的人工方法。本文基于依存句法分析技术以及Word2Vec词向量技术构建的产品特征库进行在线评论用户观点的抽取,并通过引入依存词对的词性特征、依存关系组合特征和依存距离约束提升观点抽取的精度和质量。目前关于观点情感分析的研究也可以分为基于情感词典的人工方法以及基于机器学习和深度学习的自动化方法两大类,均取得了不错的成果,但这些研究主要集中于将用户观点情感倾向划分为正面、负面两类或是正面、中性、负面三类,这种粗粒度的用户观点情感倾向分类,在企业资源有限而用户需求多样的现实下,研究成果的实用性会有较大程度的削弱。本文在所提观点抽取方法抽取结果的基础上,进行用户观点的多维度聚合和观点情感倾向和强度的分析,最后引入用户关注度指标综合计算产品各粗粒度属性或细粒度特征的用户痛点分并进行可视化,这有利于相关企业全面深入地把握用户痛点和需求,为后续产品的迭代和改进提供依据。在小米9手机评论数据上的实验结果表明,本文所提的基于依存句法和产品特征库的用户观点抽取方法相较于最近距离法和SBV极性传递法有更优的实验效果,在准确率、召回率和F1值上相较于两种基准方法均有较大的提升,证明了本文所提方法的有效性。而且用户痛点识别结果与评论语料差评占比的一致性,也验证了本文所提的用户痛点识别方法的可操作性和有效性。