随着网络的发展和智能终端设备的普及,在线教育得到了快速的发展。然而在线教育产品在技术、服务、课程等方面不断出现的缺陷影响了用户的使用体验,不利于企业对于存量用户的争夺。本研究选取K12校外在线教育产品作为研究对象,基于用户生成内容,通过运用情感分析技术和特征选择算法,对不同监督学习算法识别提及产品缺陷评论的效果进行实验研究。实验结果表明,与集成学习算法相比,决策树算法优于实验中的任意一种集成学习算法;半监督学习算法中标签传播算法的分类效果优于任一单一分类算法和集成学习算法。接着,本研究使用分类效果最优的算法对未标注的用户评论进行分类,并基于提及产品缺陷的用户评论对其提及的产品缺陷属性进行聚类,挖掘影响用户持续使用产品的具体缺陷属性,从而帮助企业更好地聚焦于重要的缺陷并进行相应的产品改进。最后,基于分类算法与相关性分析实验,本研究证明了产品缺陷将会影响用户持续使用该产品的意愿。本研究的主要结果:（1）基于各个K12校外在线教育产品的产品评论,生成在线教育产品领域情感词典,同时制定文本情感计算规则。经过验证,构建的词典及规则集可以较好地对产品评论的情感值进行判定。（2）针对提及产品缺陷的评论识别,不同标记数据比例下,标签传播算法的F1值和准确率均高于自训练算法和单一决策树算法,且分类性能较为稳定。（3）对识别出的评论进行具体的缺陷属性聚类,发现影响用户持续使用产品的缺陷类型不仅包括前人研究中的技术、课程、服务类型,而且涉及到了前人未予以研究的营销类型。（4）提及产品缺陷的评论占比与月活跃用户留存率、新安装用户之间分别存在着中等程度与较高程度的负相关关系,即若一段时间内用户对在线教育产品的抱怨程度越重,则在此期间用户持续使用该产品的意愿将会越低。