目前,互联网技术和移动网络技术飞速发展,电子商务和移动商务已经成为人们日常生活中的一部分,网购的方式给人们的生活带了巨大的便利。同时,网络上各种各样的商品信息给我们挑选商品带了一定困难。除了商品本身的描述以外,商品的评论信息也是人们挑选商品考虑的重要因素之一,更是人们判断商品质量的关键内容。电商平台的用户评论数量往往十分巨大,并且存在大量无效评论,例如不良商家雇佣水军刷的好评和同行之间的恶意差评等。商品评论数据的大规模性和复杂性对消费者判断商品质量的过程造成了很大的干扰,使得消费者无法购买到符合预期质量的商品。因此,如何从海量的商品评论数据集中过滤掉无效评论并分析出商品本身的特性,改善消费者的网购体验,成为了当下提升电子商务领域环境的关键性问题。本文从国内的几个主流的电商平台中收集了200余家商户中约15万条服装类商品的评论数据,以“商品特性”为分析目标,提出了一种由评论数据预处理和评论数据分析两个部分构成的商品评论分析模型。通过对无效评论的分析研究,找出其存在的规律和特点,之后基于主题生成模型(LDA)设计了一种对无效评论过滤的模型,来完成评论数据预处理部分。通过对有效商品评论数据内容特性的分析研究,找出评论分析过程中的难点,结合深度神经网络中的长短期记忆网络模型(LSTM)设计了一种对评论数据进行评分预测的模型,并对评分预测模型结果进行收集和统计,来完成评论数据分析的部分。本文的主要工作和贡献如下:本文提出一种基于LDA的无效评论数据过滤的模型。该模型主要分为两次对原始评论数据进行过滤的过程。首先基于文本特点对商品的评论数据进行第一次过滤,剔除掉重复出现、未进行评分、包含某些关键字和失去主语成分等无效评论。然后基于LDA主题模型,通过Gibbs采样求解出商品评论的公共主题,通过得到的主题对该商品的评论进行筛选,并对筛选出来的评论数据加工后进行分词处理,将所有得到词语构建成语料库。最后根据得到的语料库对第一次过滤后的评论数据进行第二次过滤,从而实现对评论数据完整的过滤过程。本文提出一种对评论数据的分析模型。该模型首先基于LSTM网络搭建对评论文本评分预测的模型。评分预测模型将过滤后的评论文本通过Word2Vec工具转化成向量型数据作为输入,将每条评论文本对应的用户评分作为输出,训练完成后该模型能够预测出任意一条评论数据对应的评分。将过滤后的评论数据集分成评论文本和用户评分两个部分,完成对评分预测模型的训练。本文对测试数据集中每家商户的评论按照商品属性进行分类,每一种属性对应的评论数据集通过评分预测模型进行预测,得到每条评论的评分。最后基于统计分析对商品的属性进行最终的评分确定,实现对完整的评论数据分析模型的构建。