随着电子商务的快速发展,越来越多的消费者习惯于网上购物。消费者在发生购买行为后,可以对己购买的商品进行评论,这些评论不仅是消费者对商品卖家的反馈,同时也能对其他消费者提供建议和指导。商品的热销意味着商品评论的大量增加,某些火爆的商品动辄数万条的评论让卖家和买家都难以处理,这就需要双方从海量的商品评论中快速地筛选出有用的评论,从大量冗余的信息中提取出真正可以指导销售和购买的有用信息。对海量在线评论中有用信息的迫切需求使得国内外研究者都不约而同地关注起了评论挖掘的一个具体的应用领域——评论有用性分类。本研究考虑到各大电商网站普遍无法提供全面的评论信息这一现实情况,从评论内容本身及商品特征信息入手,通过商品特征挖掘为评论有用性分类特征的选取提供参考；为了充分利用海量的评论,本研究采用半监督学习的方法对分类模型进行训练,最终得到有优异性能的评论有用性分类模型。论文首先研究已有商品特征挖掘方法的不足,从分词、剪枝和特征选取等方面进行有效改进,最后得到优化的商品特征挖掘结果；在此基础上,深入研究评论有用性的影响因素,将商品特征信息作为一个重要参考因素加入到有用性分类特征集合中；最后利用支持向量机的重要扩展——直推式支持向量机进行半监督学习,综合利用有标签评论和无标签评论,训练出在线评论有用性的半监督分类模型。结果显示该分类模型表现优于传统的监督学习模型,在只考虑评论内容信息条件下有较好的表现,进而说明商品特征信息是影响评论有用性的重要因素,而半监督学习可以有效地提升分类结果。