据中国互联网络信息中心发布的《第48次中国互联网络发展状况统计报告》所示,我国网上零售成交额于2021年上半年已达9.19万亿元,同比增长超过三成。与实体购物形式不同,消费者在网络购物时需要通过获取在线商品信息以辅助购物决策,因此由其他消费者所发布、能有效反映用户使用感受的在线评论便尤为重要。但随着电子商务行业的规模不断扩大,目前在线评论呈现出数量巨大、真实性欠佳和质量参差不齐的特点。基于该现状,如何快速地从在线评论中提取真实且有用的信息成为一个亟待解决的研究问题。对此,本文主要针对三种类型的电商平台,从在线评论的虚假性检测及有用性识别两个应用场景展开讨论。首先,针对电商平台存在的商家雇佣水军、虚假评论泛滥现象,本文围绕三种主流的电商平台类型,对在线评论的虚假性特征进行检测,从而尽早剔除无法真实反馈消费者体验的虚假评论。在虚假性特征上,本文使用文本挖掘、时序分析的方法,以内容重复度、情感强度、时间序列异常度三个维度作为标准筛选出虚假性较高的候选评论。由于不同的电商平台类型会对评论特征产生影响与调节,因此我们分别对来自B2C电商平台、C2C电商平台、卖家自营平台的虚假评论加以对比,并基于上述电商平台的评论虚假性特点给出管理学启示。其次,为了解决评论信息过载、评论界面排序规则简单的问题,本文在去除高虚假性的候选评论后,对真实评论中的有用评论进行二分类识别。由于真实评论数据集中无用评论的样本占比远高于有用评论,因此我们提出一种基于聚类欠采样的随机森林模型。该模型可以消除评论类别分布不均衡所带来的负面作用,同时为随机森林提供更好的随机性策略,从而提升评论有用性识别的精度与性能。另外,上述模型会输出评论有用性影响因素的重要程度,本文根据该指标生成评论效用排序的规则,实验结果表明优化后的评论排序具有更高的稳定性与解释性。本文的研究成果以三种主流的电商平台类型为出发点,不仅能帮助消费者针对不同平台的评论虚假性与有用性特征,提取出利于选购决策的重要参考信息;同时也帮助商家根据评论中的用户反馈信息对产品或服务进行改进,提供针对评论有效长度、情感强度等角度的分析思路。基于本文的研究结论,电商平台可以按照自身的平台类型特性,构建优化在线评论系统的处理流程,具体表现为在评论的数据分析阶段及时地对高虚假性的评论进行检测与剔除,然后在评论的数据挖掘阶段判断出剩余真实评论的有用性特征重要程度,最终根据该有用性得分指标采取更佳的评论效用排序策略。