随着21世纪互联网的迅猛发展,web应用程序和APP的产品数量呈现井喷式增长,成为了人们日常生活中必不可少的一部分,由此带来了巨大的市场经济效益和广阔的行业发展空间。为在激烈的市场竞争中夺得一席之地,开发者需要及时了解用户偏好,对产品进行针对性地更新以提升其产品生命力。软件评论数据是开发者获取用户需求及喜好的重要来源。目前,评论分析通常遵循“数据分类——信息抽取”的一般过程,其中评论分类是数据有效使用的前提和基础。通过分类可以去除评论数据中的杂质冗余,并将其中信息进行归类,如用户新需求、目前产品缺陷等,从而为开发者更好地理解评论信息奠定基础。目前,软件工程中对评论分类方法的研究通常关注于数据本身特点,将焦点集中于评论数据间的差异性,通过选取不同的向量化方式和不同性能的分类器完成评论数据的分类任务。尽管这些分类方法在大多数评论分类中取得了较好的效果,但是,当其面对特殊领域（如体育、游戏等）的应用类别时,其性能会出现大幅度下滑的现象。究其原因,这些领域往往包含领域特有词汇和表达方式。由此,抛开领域知识的评论分类方法难以取得理想效果。针对上述问题,本文提出一种领域知识引导的评论分类方法,基于已有的领域知识,自动化扩充得到该领域（或某一独特产品）的领域相关词词典,进而训练评论分类器,以便更好地完成该领域评论的分类任务。首先,从功能性需求和非功能性需求的角度考虑,将具有价值的评论定义为五种类别,并且根据不同类别所定义的质量属性,手工从评论中提取出领域相关词作为词典的种子词。其次,基于语义分析的方法,通过计算语料库的文本相似度,取得与种子词相似度高的词来构建和扩充领域词典,并将其作为评论分类任务中的一类文本特征。最后,计算情感值并将领域知识引入文本特征表示过程中,从而训练评论分类器,完成针对不同领域的评论分类任务。针对目前受领域影响的文本分类问题,本文根据所提出的方法进行了一系列实验,探究如何更好的获得领域知识,并以此为基础,进一步分析引入领域知识针对APP评论分类任务是否有帮助。