随着互联网用户数量的急剧增加和电子商务的迅猛发展，网络上涌现出许多B2B、B2C网站（如京东商城、淘宝、当当网等）。这些网站有一个共同的特点，就是在产品销售的同时，还为消费者提供了一个发表产品评论的平台。消费者能及时的把自己对商品的评价展现出来，这些评论信息能反馈给商家和潜在的消费者。商家能根据反馈改进商品或调整销售策略，潜在的消费者通过参考别人对商品的评论，做出正确的购物选择。但是互联网的信息数量巨大，如何在大量的评论信息中找到有价值的信息，并全部阅读这些评论做出正确的决策，这是十分困难的，所以急需一种快速、精准的文本信息挖掘方法对海量的评论信息进行分析。另外，伴随着网络语言的变迁，这种挖掘方法必须具有机器学习的能力，实时更新词汇，这样才能得到正确的分析结果。情感分类是文本挖掘的一个应用，是目前人工智能研究领域的热门的课题，很多学者致力于语言和图像的情感表现方面的研究，研究出熟谙并能准确分析汉语情感的人工智能机器学习方法。本文简述了文本挖掘的概念和相关技术，然后着重介绍了在进行评论情感挖掘时涉及的技术，包括序列标注技术、条件随机场（CRFs）算法以及评价指标。在本文的第三章，我们利于上述技术对评论文本情感分类进行深入探讨，我们采用文本分类领域的特征选择确定特征模板，然后通过字标注系统，将评论文本情感分类问题转换为序列标注任务，最后采用CRFs机器学习的方法对其情感分类。另外，我们提出了一种情感强弱的评分机制对情感分类结果进行排名。实验结果表明基于CRFs的评论情感分类能达到较高的准确率，对于分类结果的情感强弱排名也比较符合客观事实。本文的主要贡献在于以下几个方面：1.基于传统的正反两种情感倾向的情感词典基础上，采用《知网》的计算词语相似度方法，考虑了情感词的词性、程度副词、否定词对情感倾向的影响，构建了一个较为完备的情感词典。2.采用序列标注技术，将CRFs机器学习方法引入到评论文本情感分类中，得到了较高准确度分类结果。3.提出了一种基于最大熵的排名算法对情感倾向的强弱进行排名，使得分类结果更加客观。最后，本文构建了一个基于互联网的产品评论信息情感分类系统，该系统将情感分类结果以列表的形式展现出来，用户可以从中得到有价值的信息。