伴随电子商务蓬勃发展而来的是难以计数的评论信息的产生。顾客针对所购买的产品以及服务对商家做出的带有主观倾向的评价是一把双刃剑。良好的评价会给商家带来无形的广告效应,是商家提升竞争力的有力工具。然而负面的评价则会严重降低顾客的购买意愿进而给商家造成损失。因此通过对商品评论信息的分析,能够为商家发现产品的缺点、提高产品质量、改善服务态度提供有力的依据,从而达到及时止损、树立品牌良好形象的目的。但是,网络评论数量与日俱增,通过人工方式整理、分析的难度之大可以想象。所以研究出能够对非结构化的文本数据进行计算分析的方法是十分必要的。本文以手机的在线评论为研究对象,首先针对评论数据建立分词词典与停用词词典,然后利用自然语言处理技术对评论进行文本预处理。后利用向量空间模型将文本转化为词频矩阵形式,将非结构化的文本数据转化为传统的数值结构。为挖掘出消费者对于此手机属性的看法,这里将好评与差评分开处理并按词频降序排列,基于词性抽取两类评论中的高频名词,筛选出其中手机特征属性。两类评论中抽取出的特征属性即为消费者重点关注的手机功能。模型结果表明,商家在售后服务以及价格管理上需要改进,手机的屏幕、电池耗电量、信号等方面也有待加强;在外观、颜色、性价比、质量、速度方面此款手机表现的还不错,得到了消费者的普遍认可。为了实现对评论的情感分类,本文使用朴素贝叶斯与随机森林两种机器学习算法。这两种方法均是先针对训练集建立分类模型后将模型应用于测试集中以检验分类效果。实验证明两种分类方法的准确率均高于85%,召回率均高于90%。当词条数较少时朴素贝叶斯分类效果较好,词条数较大时随机森林分类效果更好。本文证明了两种方法对于情感分类的有效性。