面对现有电子商务网站上琳琅满目的商品,无数的用户针对自已感受发表了不计其数的评论,造成了评论信息的“信息过载”。面对如此丰厚的信息金矿,现有电子商务网站期待高效地从中挖掘出有价值的评论并呈现在用户面前,帮助其了解商品信息,缩短用户购买决策时间。与此同时,由于移动支付的安全性和便捷性大大提高,越来越多的用户通过移动端进行购物,考虑实际场景和屏幕大小的限制,用户希望通过浏览尽量少的评论来获取更多的商品信息。因此,如何通过一组高价值的评论来高度概括某商品的初始评论集成为目前研究热点。本文在总结前人研究的基础上,对基于大数据平台的在线评论有效性模型进行了研究,主要工作和特色如下:第一点,提出一种均衡化评论选择算法。首先分析了具有较高价值评论集的特征,据此设计出一种基于无监督的主题对立情感混合模型(UTOSU),并基于此,提出一种均衡化评论选择算法模型。通过该模型可以选择一组高价值的评论,从商品属性分布和对应观点分布两个角度来概括某商品的初始评论集。第二点,设计基于LDA模型的UTOSU模型。UTOSU模型是一个主题情感混合模型,认为每个词不仅决定评论的主题分布,而且还对评论的情感分布起着支配作用。本文认为在评论中的一个句子在内容上所描述的主题基本是相同或者相关的,据此本模型对每个句子进行主题标签采样,对每个词进行情感标签采样。通过本模型生成的每篇评论都是主题的概率分布,同时每个主题也是情感的概率分布,该主题能够同时选择到主题的正面情感和负面情感。本文分别对UTOSU模型和均衡化评论选择算法的性能进行验证,实验结果证实上述模型和算法的有效性。