O2O店铺的兴起,引发了食品安全问题的广泛关注。本文收集网络餐饮评论,通过特征工程处理和实证分析进行文本挖掘,建立食品安全评论识别机制,实现外卖平台对店铺的线上食品安全监督。特征工程进行了文本预处理、特征可视化、词向量表示。文本预处理比较了Jieba和Snownlp的分词效果,并对不涉及“食品安全”和涉及“食品安全”的两组评论文本进行了词云图分析和网络语义分析,文本特征向量化采用的是Word2vec。实证分析进行了模型训练和模型优化,构建了LR、SVM、MNB三种基础分类器和RF、XGBoost、LightGBM、CatBoost四种集成分类器,并用网格搜索算法寻找最优参数。为提高模型召回率,采用双重过滤器、过采样和欠采样进行模型优化。由于两种分类器数据分布不同,导致双重分类器并没能提高模型召回率,但四种采样技术均能达到提高召回率的效果。原始7种模型中,MNB召回率最高,但准确率和精确率却最低,精确率甚至低于0.5,LightGBM准确率和精确率都达到最高,但召回率表现却没有那么好。此外,过采样牺牲较小的准确率和精确率,换取了召回率的提升。在过采样和欠采样平衡各指标的表现上:Smote过采样效果最好,Adasyn过采样次之,Cluster Centroids欠采样第三,Near Miss效果最差。比较各种模型的F1值,推荐Smote过采样的LightGBM模型作为最终的预测模型。