近年来,互联网由于信息共享的特点使得信息的传播变得越来越快,给电商平台带来了许多机遇和挑战,越来越多的人们选择在主流电商平台上购买商品。其中,电商平台的评价系统极其重要,主要是引导用户在消费后给予真实评价,使商品的信息更加全面。通过对商品的评论进行深度挖掘,对消费者来说,可以使他们更好地了解商品,帮助他们做出购买决策;对于卖家来说,可以使他们了解消费者对商品的感受和态度,对商品的不足之处进行改进。由于人工分析海量商品评论工作量十分巨大且难做出综合分析,文本情感分析技术应运而生。本文使用机器学习分类方法来挖掘文本的信息,为了得到准确的分类效果,主要是依靠机器学习分类器使用丰富的有代表性的特征进行训练,因此,本文在特征的提取与表示方面做了研究。首先,针对真实场景下带有主观描述的中文语料稀缺的问题,本文采用网络爬虫技术在电商平台上进行商品评论数据的获取,将获得的数据集分为训练集和测试集,进行情感极性标注和预处理操作。其次,使用Word2vec算法中的Skip-gram模型将预处理后的文本向量化表示,并采用改进后的TF-IDF算法添加权重信息。然后,针对使用Word2vec训练的词向量仅包含词的语义信息,未包含文本中的情感信息,本文采用SO-PMI算法丰富情感词典,基于扩充的情感词典进行特征选择,提出了结合词向量和情感信息的特征表示方法Word-Sen-T。最后,以京东平台上爬取的手机评论语料为实验数据,使用Word-Sen-T的特征提取方法与基本的词向量表示方法在机器学习模型NB、KNN、SVM上进行情感分析实验,并将该模型与该领域内其它的文本特征提取方法在评论文本语料上的实验进行对比。通过对比实验,结果表明在特征提取方法的改进上,相比于传统的词向量表示模型,本文提出的结合词向量和情感信息的特征表示方法Word-Sen-T在提高分类时效果更明显。在评论语料的情感倾向分类上,也有其他的优秀模型,本文提出的特征提取模型与该领域的两个模型对比,分类结果中的F1值分别提升了6.3%和4.3%,验证了模型的有效性。