伴随着互联网时代的到来,网络购物逐渐成为全国人民日常生活中的一部分,淘宝、京东、苏宁易购等软件的装机量越来越高,根据淘宝官方公布的数据,仅2019年11月11日当天淘宝的日活量接近5亿之多,当天最终成交额达2684亿之高,随之而来的是消费者对自己所购产品的评价反馈,如何从这些含有大量干扰和无效的数据之中,快速又准确提取出重要的信息,再把提取出来后的信息反馈给消费者和商家,这个问题越来越重要,其中分析网络购物评价的情感倾向逐渐成为研究人员关注的热点。本文主要贡献为:(1)针对蝙蝠优化算法易陷入局部极值的缺点,提出了基于余弦控制因子和迭代局部搜索的蝙蝠优化算法(CILSBA)。算法首先加入了基于余弦控制因子控制的非线性惯性权重来加强算法的寻优精度和稳定性,其次,在每轮迭代结束之前设计改造了迭代局部搜索策略来扰动局部最优解,重新搜索全局最优解。仿真实验结果表明,CILSBA在高维亦可取得最优解,并且函数的收敛速度也高于基本蝙蝠算法,平均值均优于基本蝙蝠算法效果。(2)结合集成学习的思想,针对Adaboost算法中存在的权重更新缺陷,提出了权重阈值和新的自适应权重更新公式,使论文算法大幅度降低了出现过拟合现象的可能性,提高模型准确率。通过网购网站进行网络评价的数据采集,然后对实验结果进行对比分析,本文提出的改进后的Adaboost算法模型相比传统的支持向量机的准确率和精确度分别提高了2%和6%左右。(3)基于CILSBA算法和改进后的Adaboost算法模型制作了网络购物情感分析系统,该系统通过爬虫定向采集某类商品的评语,通过设计的数据库与模型进行实现与整合,最终取得了一个功能全面、效果良好情感分析的系统。综上所述,通过对网络评论数据实时性的分类,验证了本文方法可以得到更加准确的分类结果,同时网络评价中的信息可以更清晰直观的呈现,不仅提高了用户获取有效信息的效率,而且提高了商家快速认清自己缺点并做出改进的效率。