随着互联网的发展,网络购物已经成为人们的习惯。大量的评论数据出现在各类网站上,在这些评论数据中隐藏着很多有价值的信息。我们对评论数据进行细粒度情感分析,发掘用户对产品的情感倾向,发现商品优缺点,为提升产品质量提供有力的数据支持;我们还可以对评论数据进行有用性分析,让顾客可以在大量的评论中发现有用的评论,进而快速地完成购物决策的达成,节省翻看评论的时间。在商品评论情感分析的研究中采用了种不同的方式,一种是基于情感词典方式;另一种是基于机器学习的方式。主要研究工作如下:1.研究了基于词典情感分析,基于机器学习情感分析,评论有用性相关文献综述,对比了前人研究中的优缺点。2.构建一个比较完备的基础情感词典,网络用语词典,否定词词典。对不同情感强度的情感副词建立情感强度副词词典,并将情感强度副词分为5个等级。采用改进后的SO_PMI模型计算评论的情感倾向,分别从情感值,情感平均值,情感标准差值对评论进行分析,完成基于词典的情感分析。3.基于机器学习进行情感分析,首先标注了正向,负向情感倾向数据各1000条,然后分别采用一元文法,二元文法,一元+二元文法对常用的三种机器学习方法(贝叶斯,支持向量机,逻辑回归)进行实验比较,分析了不同贝叶斯决策对分类的准确性,分析了不同支持向量机核函数对分类的准确性,确定最佳特征工程,选择合适的词向量维度,确定最佳分类器。结论是多项式贝叶斯分类器准确率达到93.0.%。4.商品评论有用性分析使用word2vec神经网络模型建立商品属性词典。建立一个评论有用模型(PA_SO_PMI),通过评论有用性值,有用性平均值,有用性方差值来对评论的有用性进行分析,通过有用性方差值排序得到最有用评论。