传统的评论选择算法都是基于商品评论的有用性以及评论中所包含的信息量,这就导致所选择出来的评论集冗余度和重复率较高。所以,基于用户的兴趣偏好从海量的商品评论集中选择出与用户偏好最为相符的评论出来,才能真正满足用户所需。为了解决这一问题,本论文完成了以下的工作:1.将经典的TF-IDF特征提取算法与Skip-gram模型以及Canopy聚类算法进行组合,构建成为混合多模型。该模型解决了基于文本内容挖掘出用户偏好,以及用户对商品属性的评价。2.改进传统的基于观点多样化评论选择算法,改进后的评论选择算法,能够选择出最佳的满足用户偏好需求的评论文本集合,从而实现个性化的网络商品评论选择。3.设计模型和算法的评估函数,对相关的模型和算法进行性能评估。对相关的模型,我们使用均方根误差值进行模型性能评估。对评论选择算法,我们基于准确率和效率这两个测度进行算法的性能评估与分析。4.将构建的相关模型以及改进的评论选择算法进行实际应用,基于结果对相关模型和算法的性能进行评估和总结。