随着互联网的普及和电子商务的高速发展,电子商务凭借其价格低廉、交易便捷等优点融入了人们的日常生活,但是这种购物模式也带来了诸多问题,其中最明显的问题就是消费者无法像实体购物那样直观真实的体验和研究商品的质量和性能,因此消费者越来越依赖在线评论来购物决策,在线评论的重要性也日益凸显。随着商家刷好评和恶意差评等现象的出现,导致很多消费者很难从大量的低质量评论中,识别出真正有用的高质量评论。在这种情况下,识别出高质量评论来辅助消费者选择,并且识别对消费者帮助不大的低质量评论成为在线评论内容研究的新方向。目前已经有一些学者开始研究在线评论的质量评价,以及如何利用各类型的方法来实现对在线评论的质量分类,但是现如今成型的在线评论质量分类算法大都是基于机器学习,其主要的内容是确定决定在线评论质量的各种特征。这种方法虽然质量分类的效果尚可,但是需要花费大量的时间和精力去考虑特征的选择和提取方式,也忽略了在线评论文本本身特性在决定在线评论质量时的重要性。随着深度学习的迅速发展,在线评论质量分类的研究有了新的思路。针对在线评论的特点,本文充分利用了在线评论的文本特征,首先根据在线评论的文本特征将建立了在线评论质量评价指标体系;随后考虑到产品属性词对于在线评论质量分类的重要性,构建了领域词典用来对在线评论进行预标注,从而辅助产品属性词的抽取过程,提高产品属性词抽取的准确度;然后利用Bi LSTM模型和Attention机制将产品属性词融入到分类过程中的特征提取环节,提高了产品属性词在质量分类过程中的重要程度,提高在线评论质量分类的准确度。文章的最后选取了从京东商城爬取的在线评论数据集为实例,先利用在线评论质量评价指标体系对获取到的在线评论集进行质量分类,随后利用领域词典来进行产品属性词的抽取,并且利用不同规模的领域词典在同一数据集的产品属性词抽取的对比实验验证了本文构建的领域词典可以有效地提高产品属性词抽取的效果,最后,利用构建的模型对在线评论的质量进行分类,模型的结果相较于基线模型有了比较大的提升,验证了本文提出的在线评论质量分类模型的有效性。同时本文从分别针对不同质量类别的在线评论,为商家和平台提供可参考的应用策略。