随着电子商务的迅速发展,各个电子商务平台都积累了海量的消费者在线评论数据,这些数据蕴藏着极高的商业价值,分析其内容对商家和消费者都具有重要意义,尤其是自动识别评论内容的褒贬性对其进行情感分类。然而在面对海量评论数据时,仅仅依靠人工处理已无法满足需要,这就使得评论文本内容自动分类技术变得十分重要。本研究将现有的文本分类技术运用到电子商务在线评论文本情感分类问题中,通过实验来对比各种分类方法在解决该问题上的优劣性。研究主要做了以下工作:首先利用网络爬虫技术采集真实的电子商务网站在线评论文本数据和评分数据,对数据做预处理后利用Word2vec工具建立词向量模型,以及建立针对电子商务在线评论文本分类任务的情感词典,并选择合适的特征提取方法进行特征提取,然后分别使用基于词典的分类方法,K近邻、决策树、朴素贝叶斯、支持向量机等基于机器学习的分类方法,以及卷积神经网络、长短期记忆模型等深度学习分类方法,对采集的在线客户评论文本数据进行分类,最后比较各种分类方法的准确率、召回率和F测度指标,从而对比分析各种分类方法的优缺点。实验结果表明,基于情感词典的方法从各指标上都明显不如其他方法,可见虽然该方法实施简单,但是分类效果却不尽人意,其对词典的质量具有非常大的依赖性。其次,基于机器学习的各方法之间分类效果差异比较大,决策树和K近邻方法表现不如朴素贝叶斯,支持向量机表现最好。而基于深度学习的两种方法属于三类方法中分类效果最好的一类,其中卷积神经网络是所有方法中表现最好的。另外,对于基于机器学习和深度学习的方法,词向量维度和特征选择方法对分类效果有很大的影响,本研究针对这两个因素设计不同实验进行对比,发现对于基于机器学习的方法用词向量均值做特征选择最佳,对于基于深度学习的方法用信息增益方法做特征选择最佳。