随着社交媒体的兴起,社交媒体平台每时每刻都在产生大量的有价值的内容,一些话题性的内容可能会拥有与传统媒体相比难以想象的影响力。在中国,越来越多的企业利用社交媒体宣传企业形象,推广企业产品,和消费者互动,维持消费者对企业的忠诚。但是在如何利用社交平台上的数据挖掘产品相关的缺陷,提高企业的缺陷管理水平方面的研究仍然有待深入。迄今为止,为了降低企业产品的缺陷率,大量的质量管理方法被提了出来。但是产品在投放市场后,总会出现各种各样意想不到的缺陷。在汽车制造领域,企业主动发现汽车缺陷的方式主要有两种:出厂前的环境模拟测试和售后客户调查。在社交媒体时代,任何意外的缺陷都有可能引爆舆论,从而对企业的声誉和生产经营造成极大的伤害。为了降低意外缺陷对企业的伤害,提高企业的缺陷管理水平,本文在相关研究的基础上,结合了企业的实际需求,扩展了具体的缺陷类别,提出了一个改进的基于社交媒体的汽车缺陷识别框架。具体方法上,提出了一种改进的特征选择方法,同时基于朴素贝叶斯的分类方法详细对比了三种特征选择方法,并在此基础上结合EM算法实现了缺陷识别的半监督的学习。实验结果表明,本文提出的改进的特征选择方法能显著提高分类的精确率,在数据规模较大的情况下优势明显;结合了 EM算法的半监督学习方法在标注数据只有监督学习一半的情况下,能达到相同的缺陷识别效果。因此本文提出的框架能在为企业缺陷管理提供决策支持的同时,显著降低企业具体实施的时间和人工成本。