21世纪以来,随着互联网的不断发展,网上购物越来越成为人们生活不可缺少的一部分。据艾瑞网最新统计的数据显示,2019年中国电商行业交易规模达31.63万亿元,同比增长16.2%。网上购物的逐渐成熟使得消费者越来越关注购物过程中的服务体验,相对于实体销售而言,网上购物中的买卖双方缺乏面对面获取影响销售的环境,电商评论是一种重要的网络口碑形式,是网上购物为买卖双方增进相互了解的一种互动弥补方式。消费者可通过查阅已有评论来了解产品的好坏。由于买卖双方具有获取信息方面的不对称性,因此为了减少购物的风险,越来越多的消费者在购物之前选择参考已有的电商评论。由于电商发展的日益壮大,电商评论的数量也越来越多,利用单纯的人工操作无法满足商家和消费者对大量评论数据有价值信息获取。因此本文需要对大量的电商评论进行分析和处理,来帮助商家改进电商的服务以及提高消费者的购物体验。主要的研究工作有:（1）对比不同电商平台的性质,选取京东电商平台上的商品评论作为数据爬取的对象。对比不同爬虫工具的优缺点,选择使用Python中的Requests+Beautiful Soup组合爬虫工具进行数据采集。接着对获取的评论数据进行文本的预处理工作,主要包括文中文分词、去停用词等,为后续电商评论数据的分类和情感分析做数据的准备。（2）对比文本分类方法的优缺点选择统计学习法对数据进行分类。选取分类方法之后对比该分类方法所需要用到的模型的优缺点,选择使用BP神经网络模型对评论数据进行分类。词库的建立是评论数据分类过程中非常重要的一环,本文进一步阐述了词库建立的方法和步骤。利用词库可以将评论数据转化为BP神经网络模型的特征输入对模型进行训练。利用训练好的模型实现对相评论数据的分类并对比不同专家的分类结果,对比准确率均为90%以上。（3）对比情感分析方法的优缺点选择基于情感词典的情感分析方法。叙述情感分析的整个流程,将分类好的数据进行情感分析,并对分析结果进行统计。最后将统计结果对比不同专家的统计结果,对比准确率均为90%以上。（4）将评论数据分类和情感分析的方法相结合,并对京东电商平台的宏观时间数据和微观时间数据的物流因素满意度差异进行分析。宏观时间数据对比分析结果中2019年整体物流满意度较2018年上升6.27%,并且各个方面的物流因素满意度均有提高,但是快递员送货态度方面有待改善。另一方面,微观时间数据对比分析结果中特殊时间段的物流因素整体满意度则均有所下降。通过对比不同时期的物流因素满意度差异,给商家提供相应的改善建议,使商家有针对性的改善电商服务,具有一定的理论和实践意义。