在线评论作为一种线上口碑,左右了消费者的购买决策;海量在线评论引起的“信息过载”增加了消费者的认知和时间成本;在线评论中蕴藏的知识也引起利益相关者的关注;而仅依靠人工已经很难处理这大量的数据,利用信息科学技术解决相关管理问题已经成为趋势。基于在线评论的特征识别可及时、有效地挖掘其中有价值的信息,是制造企业和销售商等获取竞争优势亟待解决的问题。本文通过分析和总结大量国内外在线评论相关研究,针对在线评论文本短、口语化严重和规则性弱等特点以及传统特征识别算法的改进局限于融合统计分布特征等问题,综合机器学习算法—条件随机场和深度学习算法—Word2vec构建融合语义特征的产品创新特征识别模型。以京东3C产品的在线评论为例,进行数据采集、数据清洗、数据预处理、评论有用性筛选以及产品创新特征识别等实验,评价结果表明模型明显提升了特征识别的准确率和召回率。本文具体研究工作如下:（1）利用隐马尔科夫模型、jieba分词和自定义词典解决分词过程中未登录词识别和部分分词歧义问题,提高了分词结果的准确性。（2）针对无用评论对消费者购物体验的影响和传统特征识别研究未对数据的有用性进行筛选等问题,综合在线评论有用性影响因素和综合评价相关理论和方法构建评论有用性筛选模型。实验中模型将包含产品特征少和提供客观信息多的评论筛选出来,表明该模型的实用性。（3）融合语义特征的产品创新特征识别模型将条件随机场可记忆和学习序列标注知识以及用户自定义特征模板等优势融合Word2vec计算得词向量作为语义特征,极大地改善在线评论特征稀疏、口语化严重和规则性弱等缺陷。通过对京东3C产品在线评论的实例研究,表明模型在评论有用性筛选和产品创新特征识别的有用性;研究成果可为电子商务平台精细化管理提供实施依据为生产商个性化产品的设计提供参考等。但本文没有对评论中产品特征的情感倾向进行分析,相关研究可扩展到细粒度的情感分析。