Este artículo se centra en la extracción de términos de aspecto en el análisis de sentimientos basado en aspectos (ABSA), que es uno de los puntos candentes en el procesamiento del lenguaje natural (NLP). Este artículo propone MFE-CRF, que introduce un agrupamiento de Embedding de Múltiples Características (MFE) basado en el modelo de Campo Aleatorio Condicional (CRF) para mejorar el efecto de la extracción de términos de aspecto en ABSA. Primero, se propone el Embedding de Múltiples Características (MFE) para mejorar la representación del texto y capturar más información semántica del texto. Luego, los autores utilizan el algoritmo kmeans++ para obtener MFE y agrupamiento de palabras para enriquecer las características de posición del CRF. Finalmente, las clases de agrupamiento de MFE y el embedding de palabras se establecen como características de posición adicionales para entrenar el modelo de CRF para la extracción de términos de aspecto. Los experimentos en conjuntos de datos de SemEval validan la efectividad de este modelo. Los resultados de diferentes modelos indican que MFE-CRF puede mejorar significativamente la tasa de Recall del modelo CRF. Además, la tasa de Precisión también aumenta de manera evidente cuando la semántica del texto es compleja.