当今,随着互联网的飞速发展和普及,电子商务已经成为人们生产和生活中的重要媒介。诸如阿里巴巴、淘宝等大型电子商务平台每天都有数十万的交易发生,其中难免会产生许多不良和违禁信息。如果不能及时有效的处理,将严重危害电子商务的发展。因此,对于各种良莠不齐的信息,必须采取有效的审核过滤机制。但是,面对急剧膨胀的信息量,仅靠人工审核将变的越来越困难,迫切需要利用计算机自动信息过滤手段来提高违禁信息监测的效率。本文针对电子商务违禁信息监测机制进行深入分析和研究,旨在利用文本分词、关键词提取和文本分类等相关信息检索技术来帮助实现违禁信息的自动识别,从而降低人工进行违禁信息审核的负担,提高电子商务信息发布的效率。本文认为,违禁信息的监测主要由违禁关键词监测和违禁内容监测两部分组成。其中,如何提取违禁关键词和识别违禁内容,将成为解决违禁信息监测的关键所在。因此,本文引入违禁类别关键词选择技术和文本分类模型作为违禁信息监测的基础。对于违禁关键词,本文根据特征选取和类别区分度,实现违禁词选取；对于违禁内容,本文采用基于文档结构特征的改进向量空间模型表示文档信息,以求达到更加理想的分类效果,并在支持向量机分类摸型的基础上实现了电子商务违禁内容的监测,然后以最大熵算法作为效果对比。本文采集了大量真实的电子商务信息进行了违禁信息监测实验。结果表明,本文提出的以违禁关键词和违禁内容为基础的电子商务信息监测,对违禁信息的识别具有良好的效果,从而表明通过机器学习进行违禁信息自动监测具有可行性。