产品需求贯穿了企业的整个产品开发过程,是产品开发成败的关键因素,决定了产品在市场竞争中能否获得相对优势。随着互联网的快速发展,来自论坛、微博、购物网站、内容社区以及行业垂直网站的用户生成文本数据成为了获取产品用户需求的重要来源。相比于问卷调查、用户访谈等传统的需求获取方式,用户生成文本数据具有花费时间少、获取成本低、样本量大等多种优点。因此,能否及时有效的挖掘海量用户生成文本数据背后蕴含的价值和知识是企业敏锐地把握市场需求和用户个性化需求的核心问题。面向产品需求的用户生成文本数据挖掘主要面临以下四个挑战。（1）产品种类的丰富性导致用户生成文本数据中提及产品的多样化,使得产品实体难以被准确识别;（2）文本内容的随意性导致用户生成文本数据所表达的信息碎片分散,使得产品信息难以被有效抽取;（3）表达方式的多样性导致很多用户会通过可以用情感解释的事实描述来隐含地表达观点,使得隐含观点难以被有效挖掘;（4）心理状态的复杂性导致用户的情绪时刻在变化,使得用户的情绪难以被准确检测。围绕上述挑战,本文采用了采用理论分析、数学建模和实验相结合的研究思路,运用机器学习、计算语言学、网络结构分析和自然语言处理等方法,从产品需求要素识别和产品需求语义内容理解两个方面开展面向产品需求的用户生成文本数据挖掘方法研究。本文首先从产品实体和碎片化产品信息两个方面识别用户生成文本的基本语义单元作为产品需求的要素,为产品需求语义内容理解提供底层的信息支持;在此基础上,分别从用户观点和用户情绪方面来理解用户生成文本数据的语义内容。本文的具体研究工作和成果总结如下:（1）提出了一种融合产品领域知识的产品实体识别方法。首先,设计了一系列基于词和基于发音的规则来扩大词库中产品实体的索引范围;然后,生成给定句子的每个字符的候选产品实体,并基于产品领域知识,使用指称图模型建模候选产品实体的全局依赖关系;在此基础上,将产品实体的全局依赖关系嵌入到深度学习模型中,以进行中文产品实体识别。（2）提出了一种基于开放语义关系的碎片化产品信息抽取方法。融合开放语义关系抽取方法,将产品信息抽取任务表述为集合序列生成问题。首先,采用了自回归的方式学习信息元组的关系;然后,设计了一个独立的输出门来评估生成的信息元组的有效性;最后,设计了一种差异化的学习策略,使每个解码器可以在不同的信息条件下学习信息元组的生成方式。（3）提出了一种面向细粒度产品特征的隐含观点挖掘方法。首先,基于产品特征的语义关系,构建了层次化的产品特征类别;然后,分析了隐含观点的特点,定义了一种特征隐含观点模式（FBIOP）来表示用户的隐含观点;在此基础上,使用FBIOP分别在特征级别和评论级别分析隐含观点的情感极性。（4）提出了一种基于情绪转移的多标签情绪检测方法。首先,分析了用户表达情绪的特点,定义了用户情绪转移的概念;然后在此基础上,采用深度学习技术,通过分别在语义和标签上建模情绪的隐性转移关系和显性转移关系,来检测连续句子的情绪离散分布。此外,在检测情绪时还设计了将情绪向量化的方法,并通过降维实现了对不同情绪的3D可视化。本文的研究成果完善了命名实体识别和开放信息抽取等文本挖掘基础工作的方法体系,同时增强了用户观点挖掘的全面性以及丰富了文本情绪检测的理论体系,对于产品用户需求的获取具有一定的管理实践价值。在未来的研究中,有待在跨模态数据关联分析、跨语言需求模型建模和实时动态知识服务方案设计等方面对产品需求的获取与集成进行更深入的探索和研究。