电子商务的快速发展,使得线上购物用户与日俱增。作为电子商务平台重要组成部分的在线商品评论为用户提供了额外的商品信息,辅助用户决策。然而大量的用户使得在线商品评论数量呈爆炸式增长,导致相对有用的优质评论难以被发掘,因此研究如何准确高效地判断评论的有用性有着重要的实际价值与意义。目前国内外对于评论有用性的研究主要集中于有用性影响因素,即评论有用性特征的构建与选择,其中主要包含了两类,一类是从评论的附带属性出发,通过对数据集进行统计分析构建的外部特征因素,另一类是利用作为评论主体的评论文本构建的文本特征。经文献研究分析,外部特征与文本特征均是判断评论有用性的重要影响因素,应当将两者综合起来考虑。本文根据评论有用性影响因素的相关研究,从评论、评论者、评论商品三个角度出发,构建了文本长度、评论评分、评分偏移值、评论可读性、评论商品相关性、评论者可信度、评论者经验值、评论发布时间偏移8个外部特征以及1个文本特征。提出使用Bert结合多层神经网络对文本特征进行有监督的降维处理,通过集成学习算法将外部特征与降维后的文本特征相结合,构造分层的多特征融合模型,在充分考量外部特征与文本特征的同时避免了特征数量的不平衡问题。为了验证模型的效果,本文构造了两组对照试验,第一组包括Bert结合多层神经网络分类模型实验、简单特征融合分类模型实验、多特征融合分类模型实验以及TextCNN分类模型实验,第二组实验包括PCA分类模型实验和LDA分类模型实验。根据两组实验结果,多特征融合的分类模型效果更好,说明外部特征与评论文本特征分层式融合能够有效提高评论有用性识别的效果,而且Bert结合多层神经网络的文本特征降维能够更好地提取文本信息进一步提高模型的准确度。