海量电商商品评价信息中蕴含着巨大商业价值。同时,大量的电商商品评论信息给人工甄别和选择带来了极大的困难,因此,如何采用高效的情感分析技术使计算机能自动地对电商商品评论信息进行情感分类,给购物者和商品生产企业提供更加准确的评论情感信息,帮助用户快速了解商品口碑,正确选择商品,帮助企业改善商品品质。本文的主要目的是对电商商品评论进行情感分析,主要研究工作包括:1、商品评论的预处理工作。选取某电商网站上的手机评论作为研究对象,使用爬虫进行数据采集,对获取的评论数据进行文本的预处理工作,主要包括文本初筛过滤、数据清洗、中文分词、词性标注,去停用词等,为后续评论文本的情感分析做准备。2、特征选择和特征权重。首先,特征选择是情感分类过程中非常重要的一个环节,选取合适的特征有利于提高情感分类的效果。通过对各种特征选择算法的分析,本文以信息增益(IG)算法为基础进行适当地改进,把特征在类内和类外的频度作为特征选择的一个指标加入到信息增益值的计算中;其次,对于特征权重,本文基于TF-IDF算法进行改进,同样加入特征在类内和类外的频度进行特征权重的计算。实验表明,改进的特征选择和特征权重算法提高了分类的正确率。最后,将两种改进算法进行组合,完成特征选取和特征权重的工作,并运用在后续的情感分类中。3、多重决策组合分类模型构建。基于三支决策思想提出了一种多重决策组合分类器。采用集成学习的思想,将单分类器进行适当组合。使用支持向量机分类器对文本集进行第一次三支决策,对于产生的第边界域Ⅰ使用k NN算法进行第二次三支决策,对于边界域Ⅱ使用朴素贝叶斯算法进行第三次三支决策,对于边界域Ⅲ由朴素贝叶斯分类器,k NN和支持向量机分类器加权投票决定。实验表明新的分类模型有助于提高评论文本情感分类的正确率,具有一定的优势。