随着互联网的快速发展,带动了网络商务的兴起,网络消费已经成为人们社会生活重要一部分。但是由于网络交易中产品不确定性,导致人们越来越迫切需要获得信息来帮助个人进行购买决策、帮助企业进行反馈收集。因此,在线评论受到了越来越多的关注。然而,大量的在线评论中参杂着一些无用甚至恶意的评论,给人们获取有用信息带来了困难,如何在海量评论中获得真正有用的评论得到了学者们的关注。本文结合领域中的一些成果,针对如何预测在线评论的有用性展开研究,主要工作如下：(1)在线评论有用性的预测相关综述：首先介绍了本文的研究背景、研究目的及意义等,随后对目前领域中的一些研究方法进行介绍,并结合这些研究成果和研究中存在的一些问题提出本文的研究方法。(2)建立RRS-L模型,并分析影响因素：目前,用于预测评论有用性的影响因素主要集中的评论文本这一单个属性,针对这个问题,本文综合考虑评论文本属性、评论者属性和店铺属性三个方面,基于多元线性回归模型建立了RRS-L模型。在实际数据集的实验表明,该模型具有良好的分类效果,在能有效过滤无用评论的同时,也能够剔除对预测无用的自变量。(3)RRS-L模型的自变量冗余性分析：为保证模型的稳定,对RRS-L模型中的自变量进行线性分析,将线性相关性强的属性取样,逐一代入,通过实验对比获取性能最好的RRS-LL模型。在与经典二分类模型对比实验中表明,RRS-LL模型在减少用于预测的自变量,降低预测成本的同时,具有更好的分类效果。