现如今,随着互联网技术越来越成熟,各电商平台迅速发展,人们在网上购物愈来愈多。在购买后大多数购买者都会对购买的产品发表评论,这些评论对于商家以及购买者都有至关重要的作用。但是因为数据规模大且数据复杂,商家以及购买者很难准确的从这些评论数据中获取信息。商家一方面希望从评论数据中获取购买者对自己产品的情感,是喜欢还是不喜欢,从而对产品进行改进;另一方面想从数据中了解消费者对产品的关注点的变化,调整销售策略。消费者在购买商品时都会看这些商品的评论,想从中获取到产品的信息,但是由于评论数据的良莠不齐,购买者很难做出正确的判断。为了满足商家以及消费者的需求,本文将从评论质量评估、评论主题挖掘以及评论主题热度预测三个方面进行研究。本文实证部分选取了亚马逊平台上吹风机、微波炉以及婴儿奶嘴三类产品的评论数据。首先通过TF-IDF对评论文本数据进行特征提取,对提取结果利用低方差滤波器和PCA进行两阶段降维,并与评论文本长度相结合作为输入变量;之后构建目标变量评论质量标签（label）,通过XGBoost构造产品评论质量评估模型,并验证了 XGBoost模型对评论质量评估的模型效果优于随机森林和逻辑回归模型,以及对TF-IDF特征提取结果进行两阶段降维,有利于提升XGBoost产品评论质量评估精度,说明本文提出的基于两阶段降维的XGBoost产品评论质量评估模型适用于评论质量评估。其次,筛选出高质量的评论数据,以吹风机产品评论数据为例,利用LDA主题模型对产品评论文本数据进行评论主题挖掘,挖掘出12个产品评论主题,并验证了在高质量评论数据下挖掘产品评论主题能更准确地反映产品特征。最后,对产品评论主题热度进行预测,利用K-means聚类方法对12个产品评论主题进行聚类,得到产品性能主题、产品参数主题以及产品满意度主题3类产品评论主题。构建评论主题热度指标,基于时间维度下利用LSTM时间序列模型预测3类产品评论主题热度的变化趋势,并验证了LSTM时间序列模型在预测产品评论主题热度的效果优于随机森林模型和XGBoost模型,且对质量评估后的评论数据进行主题热度预测,对主题热度预测精度有所提升。说明LSTM时间序列模型适用于产品评论主题热度预测以及本文思想方法的上可取性。本文创新点:首先,在XGBoost对评论文本质量评估时,利用了低方差滤波器和PCA（主成分分析）相结合的两阶段特征提取方法对TF-IDF特征提取后的结果进行了降维,并将降维后的结果与评论文本的长度相结合作为输入变量,极大地减小了数据维度,节约了运行成本并提高了模型精度。其次,在对产品评论主题挖掘和产品评论主题热度时,考虑到了评论质量高低对研究结果的影响。提出基于高质量的产品评论数据,利用LDA主题模型对产品主题进行挖掘以及LSTM时间序列对产品评论主题热度进行预测,使研究结果更加准确地反映出产品信息。