近年来,由于电子商务的蓬勃发展,网络购物也逐渐成为主流方式。其中,伴随着网络购物的兴起,在线评论已成为迅速发展的研究领域。在线评论不仅能够为消费者选购商品提供建议,而且还能帮助商家宣传产品。但是,由于用户评论行为日趋活跃,评论数量呈指数增长,因而出现了信息爆炸时代的普遍性问题——信息过载,这也成为了在线评论研究中亟待解决的问题。因此,有效的筛选出有用的评论,挖掘出消费者对评论的关注点,了解有哪些因素影响有用性,能够为评论系统的排序算法提供依据。基于此,在以往的研究基础上,本研究深入挖掘各影响因素,并引入信息熵理论、改进的RFM (Recency, Frequency, Monetary)模型-RFH (Recency, Frequency, Helpfulness)模型,构建了因素模型来研究评论的有用性。从评论的不同方面考察,提出了若干个对有用性有影响的因素,包括评论的星级、长度、信息量、评论者排名等。本研究抓取了亚马逊的在线评论数据,并通过调查问卷收集了有关产品涉入度得分的数据。用回归分析方法对所得数据进行分析,验证各因素对有用性的影响,并检验产品涉入度对评论质量和评论者排名影响的调节作用。研究结果得出：评论的熵值能较好地测量其信息量,熵值较小时,评论的信息量较大,该评论更有用；评论者的RFH得分体现了其价值,RFH得分越高,评论者的价值越高,其发表的评论质量也就越高,该评论就更有用；评论的其他特性,如长度、回应数等也对有用性有着显著的影响。此外,在购买不同涉入度的产品时,消费者对评论质量的重视程度有差异。涉入度产品较高的购买者,其更加关注评论的信息质量。因此,产品涉入度对评论的质量与有用性之间的关系有调节作用。