时下,随着互联网络的全面普及与应用,人们的生活早已进入信息革命时代。该时代最显著的特征就是大量的、各种形式、不同内容的信息扑面而来。电子商务领域是数据以文本形式存在最多的领域。对该领域进行数据挖掘研究,存在以下几个挑战:(1)该领域的文字篇幅较短,内容上往往描述一个确定的事件或一个已知的物体。传统的主题挖掘模型,如相关主题模型,对篇幅较短的文本数据具有不适应性,因而需要提出适合这类短文本数据的文本挖掘模型和算法,对文本内容和主题进行有效的提取和概括;(2)该领域中的大部分内容为“用户生成内容”,其中包含个人观点和情感倾向,它对内容的优质程度具有一定影响,因此需要对用户进行分析和建模,挖掘隐含的情感倾向;(3)当数据规模巨大时,往往存在众多的垃圾用户和垃圾内容,一方面需要算法能够自动过滤无用信息,保留优质信息,进行信息的简化,另一方面需要当数据量巨大时,算法依旧具有高效性和可伸缩性。本文针对以上问题做了以下3点工作:1.以相关主题模型为基础,对主题提取和预测功能进行了优化,使其在对短文本特征提取和主题预测方面具有较好的适应性。提出了特征提取优化算法和主题预测优化算法,设计算法的输入输出,并对这两种算法在数据主题相关程度识别和未知短文本主题预测方面进行实验验证。2.为了挖掘短文本数据中的意见倾向,提出了考虑“短文本发送者-短文本描述对象-短文本描述内容”三重关系的综合模型。该模型结合了文本内容、描述对象特征和用户偏见等关键特征,对用户行为进行有效建模,构建向量空间矩阵。基于该模型提出了两种文本内容处理算法,使模型不但对短文本数据的基本属性有较好的识别和处理,还能够识别用户的意见倾向。利用电子商务数据对该部分提出的两种算法进行了实验验证。3.在所提出模型的基础上,增加了短文本数据的综合效用计算功能,提出了短文本数据综合效用评价算法,该算法能够在数据规模较大时保证数据处理效率,完成数据内容优质程度判断,进而对短文本数据进行过滤筛选,将优质优质信息进行反馈和推荐。