随着互联网的快速发展,人们日常所接触到的信息正爆炸式地增长,信息的体量大大超出了人的处理能力,因此需要运用文本挖掘技术以进行信息的筛选与挖掘。图模型理论作为一类重要的概率建模、推断理论,在机器学习、自然语言处理和文本挖掘领域有着广泛的应用。本文尝试运用图模型理论解决文本挖掘的具体任务。文本挖掘中有一项重要的任务是如何高效准确地对文本内容进行建模表达。在现有的向量空间模型中,常用的文本特征为TF-IDF、词性分布特征等,这些文本表层特征具有获取方便的优点,但同时也存在无法体现文本深层信息的缺陷。本文提出了一种文本的潜层结构特征的概念,利用基于概率图模型理论的潜在狄利克雷分配,从简单的表层特征之中提取出文本的潜层结构特征,在高阶层面上表达文本的结构信息。本文将所提出的潜层结构特征应用到在线评论的重要度评估中,提出了一套基于有监督式算法和基于图排序算法的在线评论重要度评估方案,并在亚马逊在线评论数据集上做了相关的实验。本文还对比了有监督式算法中的回归算法、分类算法和基于图排序的算法在进行评论重要度评估时的效果。实验结果表明,本文所提出的文本潜层结构特征能够提供更多的文本结构信息,相比仅使用表层特征的对比方案,最高能得到1.24%的效果提升。同时,有监督的回归算法在评论重要度评估中能够取得更好效果,相比有监督的分类算法与基于图的排序算法,最高分别有2.81%和10.59%的效果提升。