近些年来,我国电影行业飞速发展,根据有关资料表明电影网络平台上用户发表的影评越来越被其他观影者看重,而由于目前电影网络平台评论的无限制性以及用户注册账号进行评论的快捷性,使得各网络平台上充斥着大量的质量参差不齐的电影评论。因此,采用模型主动为观影者筛选掉无用的评论迫在眉睫。本文基于豆瓣网的影评特点,从评论者相关特征、评论文本表面特征、评论文本深入特征三个方面出发选取了用于影评分类的11个特征。利用LDA模型和word2vec模型获得电影特征词,并且整合情感词典和评价词词典,之后计算各个特征对应的数据。采用支持向量机算法、随机森林算法、逻辑回归算法建立模型,将准确率、召回率、auc面积作为评估模型的指标,并利用参数学习曲线、交叉验证以及调参思想确定最优模型。根据模型结果得出,三个模型的表现均较好,这表明本文选取的特征较为全面,能够实现模型对影评的分类。此外,根据模型输出还可得出对于不同的模型,特征的贡献率不同,总体而言,评论者相关特征对模型的贡献相比另外两方面特征较低。本文的创新主要表现在特征选取与处理方面,首先是将评论者相关信息加入到特征体系中,其次,在对评论内容进行特征提取时,新建了四个特征,分别是评论所含消、积极情感词数与评论所含消、积极评价词数。另外,本文是根据新颖指标选取LDA最优主题数,并非多数文章中的凭主观选取。最后,本文探讨了SVM不同核函数在不同数据类型上的表现,进而根据本文数据集的表现判断出本文数据集的类型,为后续探索数据提供了便利。