近年来,在数据作为关键生产要素的背景下,数字经济已经成为我国经济高质量发展的重要驱动力,以京东、天猫、拼多多为代表的电子商务平台作为数字经济的重要组成部分得到了迅猛发展。电子商务的发展伴随着新兴的购物模式,电商平台积累的海量数据成为消费者认知网购风险的主要信息来源,消费者面对异于传统购物模式的网购风险时如何做出购物选择值得研究。采集天猫和京东平台共计820个智能手机商品详情和店铺信息及42万余条智能手机在线评论数据,提出有用在线评论提取方法和网购风险评估方法,融合在线评论、商品参数和店铺信息,依据网购风险评估结果建立消费者网购行为选择因果关系模型。主要研究内容如下:（1）基于随机森林的有用在线评论提取方法研究。利用双重过程理论将在线评论有用性的影响因素分为11个信息因素和4个规范性因素;利用特征分析和情感分析方法将在线评论数据结构化,据此挖掘这15个影响因素。针对京东评论数据构建在线评论有用性随机森林预测模型,模型的为0.855,利用该预测模型提取天猫平台的有用评论,结果发现24%的天猫智能手机在线评论为无用评论。（2）融合在线评论、商品参数和店铺信息的网购风险评估方法研究。首先对网购风险的形成机制进行分析,将网购风险划分为商品风险、商家风险和物流风险三个维度,并构建网购风险评价指标体系。利用K-means聚类方法将网购风险划分为低风险（I）、中低风险（II）、中高风险（III）和高风险（IV）4个等级。将指标数据以4:1的比例分为训练集和测试集,利用朴素贝叶斯、决策树、随机森林、支持向量机分类器,对网购风险评估的准确性进行验证,结果表明基于有用在线评论的指标数据能够提高风险评估的准确性,且随机森林的分类效果高于其他三类分类器,预测的准确率为99%。（3）基于贝叶斯网的消费者行为选择研究。考虑指标间的结构关联和相互影响程度,利用决策树反推风险指标的划分区间,选择“消费者行为选择-三维网购风险-风险指标”三层贝叶斯网络模型对消费者行为选择进行动态建模。通过敏感性分析发现商品风险、物流风险和商家风险对消费者行为选择的影响依次减弱,且风险指标中物流服务得分和物流服务评论情感得分对消费者行为选择的影响大于商家风险;进行因果推理和诊断推理,结果发现高风险是消费者选择拒绝购买产品的充分条件。本文提出的有用在线评论提取方法能够有效缓解信息过载问题;网购风险评估方法有助于防范和化解网购风险,净化网络购物环境,提高消费者的满意度;消费者行为选择规律能够为电子商务平台挖掘消费者行为特征、促进消费升级提供可行的途径。