文本分类作为处理和组织大量文本数据的关键技术,可以在较大程度上解决信息杂乱现象的问题,方便用户准确地定位所需的信息和分流信息。本文对文本分类及其相关技术进行了研究。从提高分类方法的合理性、准确性和稳定性出发,提出了有效的解决或改进的方法和技术。同时,对文本分类技术的一个新的研究方向——文本情感倾向分类,文本分类的一个重要应用领域——电子商务网站上客户评论的有用性,进行了研究。本文的研究内容和改进工作主要包括以下几点:1、研究和总结了文本情感分类的特点和过程,分析和对比了几种主流的文本情感倾向分类方法,归纳出基于机器学习的文本分类方法的特点,并选择此类方法作为本文的重点研究对象。2、设计了一种基于机器学习的文本情感倾向分类方法。详细介绍了该方法的实现层次和关键模块,并对各层次和模块给出了具体的设计方案和实现步骤。3、提出了一种构建文本情感倾向分类规范化样本集的通用方法,详细阐述了规范化样本集在分类方法实现中的重要性、样本集的设计原理、基本架构和具体的构建过程。4、利用上述样本集的构建方法搜集和处理电子商务网站中的评论数据,设计实验对基于机器学习与基于语义关联的分类方法进行了具体的实现,并对两者的实验效果进行了对比分析,进而选择了基于机器学习的分类方法进行下一步评论有用性分析。5、在总结了一般文本情感倾向分类原理的基础上,引入一对新的文本情感倾向的分类因子——主、客观性,并将电子商务网站上客户评论的有用性作为研究对象,给出了分类因子与评论有用性之间关联度的数学模型,设计实验对该模型进行了实现,最后利用统计软件对运行结果进行了分析。