互联网电影评论数据的推荐分析是促进电影业发展的一条新途径,电影评论网站的快速发展也从中起到了积极的推动作用。有效的电影评论能够帮助观众更加快捷和准确地了解电影的相关信息。但是,互联网的电影评论信息应用存在甄别较难、分类参考不明确等问题。这对于大多数的用户来说,很难从中挑选出有用的电影评论作为参考。因此,本文运用机器学习算法对电影评论数据建立二分类模型,为用户甄别出有效的电影评论作为参考,具有一定实际应用意义。本文面向电影评论数据的甄别问题展开分析应用研究。应用LDA(Latent Dirichlet Allocation)模型方法从电影评论数据中提取出与电影实质内容评价相关的电影特征词,并结合Word2vec模型计算出电影特征词的语义相似度,以此扩展电影特征词集合。结合豆瓣网站的影评特点和常见的电影基础风格分类,从电影评论文本内容、电影评论元数据和电影特征词三方面出发选取本文的电影评论特征,分别是文本长度、句子数量、平均句子长度、文本相似度、评分差异、评论时效、评论倾向、电影特征词数量、句平均电影特征词数量以及句电影特征词权重,并讨论了对应的特征提取方法。将豆瓣网站获取的电影评论数据作为本文的实验数据进行应用分析,对其采用随机森林构建电影评论分类模型。通过利用不同特征组合来构建基于随机森林的电影评论分类模型,结合准确率、查准率、召回率以及F值四方面的对比,验证了本文提取出的电影评论特征的有效性,并进一步分析电影评论特征对于电影评论分类模型的影响。同时,把基于随机森林构建的电影评论分类模型与其他分类模型进行对比分析,验证了该模型在电影评论分类上的有效性。