近年来互联网和Web2.0的迅速发展,特别是社交网络和微博的兴起,给网络的使用方式带来了巨大的改变。现在,每个用户都同时是内容的消费者和内容的创造者。而互联网巨大的用户群体,导致用户贡献内容(UGC)的爆发式增长。所有用户都可以自由地创造内容,这在一定程度上改革了传统的互联网模式,同时也带来了内容质量的参差不齐。如何有效地从这些内容中获取有价值的信息,也逐渐吸引了很多演研究者的关注。本文以豆瓣阅读中的书评为研究对象,从分类和排序两种角度研究了用户评论的有用性。与亚马逊等电子商务网站中的用户评论相比,书籍评论有两个明显不同的特点,一是豆瓣读书的书籍评论一般较长,平均长度超过千字,长评论意味着内容的多样和复杂,另一点是书籍属于体验性的物品,书评则带有个人创作的性质,风格和内容同样重要。因此,本文尝试从评论内容和写作风格,以及评论者的相关信息等方面抽取有用的特征。本文的主要贡献包括两部分。首先,以用户投票为衡量评论有用性的标准,建立了一个可用的评论数据集,并在该数据基础上,分析研究了用户评论和投票的特点。进一步,从数据中抽取出内容和风格相关的特征,以及评论者的相关特征,分别以分类方法和排序方法对评论有用性进行学习建模。其中针对词汇特征,本文提出了一种与评论主题相关的权重方式,实验表明,该权重方式在分类模型和排序模型中都优于单纯的词汇频率或TFIDF方式。本文的实验结果也说明,对评论有用性的挖掘而言,排序模型是一种更为合理的方式。