在线负面评论通过公开发布,迅速在社会化媒体平台传播开来,损害了企业的形象和声誉,增加了潜在消费者的感知风险,降低了潜在消费者对该产品或服务的信任度和购买意愿,最终导致企业产品和服务的销售额急剧下降,甚至改变企业发展方向,如不及时有效处理,对企业发展构成巨大的威胁。传统人工处理方式因效率低、成本高、速度慢、消耗资源大等原因,很难适应在线负面评论处理要求。围绕如何有效利用企业内外部资源快速有效地快速处理在线负面评论这一问题,提出多方主体参与在线负面评论处理的价值共创模式和构建价值共创框架,采用专家推荐和案例推荐两种推荐方法处理在线负面评论。主要研究内容和创新点概括如下:（1）面对在线负面评论识别问题,构建了基于情感元素的在线负面评论识别的两阶段模型。第一阶段通过多层Bi-LSTM-CRF模型对在线评论的情感元素标注,输入层采用词向量、词性向量和依存向量更具体表达词特征,多层Bi-LSTMCRF模型中Bi-LSTM从两个不同方向长短记忆当前词语以及词语上下文的语义信息,利用文本上下文语义信息预测当前词语的情感元素标签得分,模型中CRF层对整体序列情感元素标签输出达到全局最优,实验结果表明该模型能很好进行情感元素标注。第二阶段运用领域情感词典和判别过程识别出在线负面评论,构建领域情感词典改善原情感词典的极性固定化问题,实验验证两阶段模型有效自动识别在线负面评论。（2）针对处理在线负面评论优先次序问题,构建在线负面评论有用程度预测模型。运用评论文本的词语数量、词语有用值之和、产品特征数量等评论特征组成该模型预测因子,其中词语有用值采用信息增益和其偏向多值属性计算获取到词在该领域评论的有用值。构建预测模型的损失函数,通过大规模在线评论数据,运用梯度下降法获取模型参数。实验结果表明,该模型能够更好预测在线负面评论有用程度。（3）针对网络平台处理专家识别和根据具体评论推荐合适专家处理在线负面评论问题,构建在线负面评论处理专家识别模型和在线负面评论专家推荐模型。识别模型中处理在线负面评论不但考虑专家的产品专业知识,跟以往不同还考虑专家对企业品牌产品的忠诚度以及专家的社区影响力、社区支持力、情感感染力、时间与精力等特征,以此构建在线负面评论处理专家识别模型,并通过小米社区获取实际数据,运用人工神经网络验证专家识别模型有效性。推荐合适专家处理在线负面评论,构建了融合知识匹配、情感抚慰匹配和时间精力匹配的在线负面评论处理专家推荐模型。建立产品领域知识本体,运用Text Rank算法获取产品各领域知识特征词和领域知识特征向量,构建专家在各领域知识的知识模型。通过领域知识和领域知识关联矩阵,计算出线负面评论处理显性知识需求和隐性知识需求。情感抚慰能力匹配运用专家情感抚慰能力与在线负面评论负面情感强度衡量,时间精力匹配度用以衡量专家是否有足够时间精力来处理在线负面评论。通过实验验证了推荐模型的有效性。（4）针对在线负面评论自动回复问题,提出基于句子相似度计算的在线负面评论处理案例推荐方法。根据在线负面评论特点,建立以句子为单位的在线负面评论处理案例库,采用句子相似度检索案例对应处理方案。为提高检索准确率,提出融合多特征的句子相似度计算方法,从句子中的词、语义、语义依存三个层面分析,考虑到句子的公共词、修饰词、关键词、语义、语义依存关联对等特征,通过实验验证了该句子相似度计算方法比其他中文句子相似度计算方法准确率高,保证了在线负面评论处理案例推荐的效果。