随着互联网技术的持续高速发展,互联网+教育的组合受到了人们的广泛关注。在线教育使人们可以突破地域、时间的限制来获取优秀的教育资源,其中MOOC模式以其开放性、大规模性等特点受到了人们的青睐。MOOC系统在为用户提供教学资源的同时,也沉淀了大量的用户评论。这些评论记录了用户对课程意见、对教学者的评价,具有非常重要的意义。然而,当前主流的MOOC系统却没有很好的利用这些信息。因此,实现一个支持评论挖掘MOOC系统,利用评论挖掘技术优化MOOC系统的服务,为用户带来更好的学习体验,对在线教育的发展有着重要的意义。大量学者对评论的情感极性进行研究,然而情感极性的信息量有限,不足以影响用户的行为决策。因此本文以课程评论中蕴含的用户观点作为挖掘对象,从海量用户评论中自动化的提取用户观点。针对互联网在线教育平台的评论中内容发散性、表达模式的多样性等问题,本文分析了现有的观点提取方式的不足,并提出了“依存分析—观点提取—观点聚合,”的技术路线和基于观点模式的提取方法。在该方法中,首先建立课程领域特征的核心词表,结合句子的依存关系,利用训练集学习得到观点词与核心词的内在联系,将其抽象成观点模式集合,再将观点模式集合应用于新观点的挖掘。本文提出的方法在观点提取的准确率上达到了 60.54%,召回率达到了 71.77%。在提出新的观点提取方法的同时,本文还将其应用到MOOC系统中,设计并实现了支持评论挖掘的MOOC系统。本文对系统功能进行了分析,对系统的分层、模块划分等进行了详细的介绍,并重点阐述了系统中评论挖掘模块的工作机制与工作流程,讲解观点提取方法是如何应用于实际系统之中的。