随着电商网站的飞速发展,在线论坛数量不断增加,消费者选择分享对产品或服务体验的方式时,在线评论发挥着至关重要的作用。根据评论极性的不同,可以将在线评论分为极端评论(好评和差评)和中性评论。最新研究表明,消费者认为极限评价可能比中性评价更有用。因此,研究极端评论有用性更有意义。但并非所有的极端评论都对消费者有所帮助,而且如今繁杂的极端评论已导致信息过载。如果能向消费者智能推荐质量高的评论,不但有助于消费者的购买决策,也能为电商平台创造一定的商业价值,高效地识别有用评论已成为一个重要的研究课题。基于此,对在线评论国内外研究现状进行文献计量分析的基础上,本研究以京东商城的目前多款主流手机的极端评论为研究数据集,其中好评14561条,差评9721条。以极端评论有用性为研究对象,使用文本挖掘和自然语言处理(NLP),深入地挖掘评论属性中可量化特征,构建极端评论有用性影响因素模型,利用Tobit回归分析进行建设验证。在识别评论有用性的关键影响因素基础上,使用目前主流的八种机器学习算法,进行极端评论有用性预测的实证研究。研究结果表明:对于好评有用性来说,发布图片是最重要的影响因素。有用性高的好评往往是文本内容较长、文本提及商品特征多(有效评论长度长)、有图片、情感强度低的评论;对于差评有用性来说,发布视频为最重要的影响因素,有用性高的差评往往是文本内容较长、文本提及商品特征多(有效评论长度长)、有视频、有图片、情感强度低的评论。好评的有用性预测模型中,朴素贝叶斯的预测效果最好,其次是神经网络;差评的有用性预测模型中,神经网络的预测效果最好,其次是朴素贝叶斯。该研究拓宽了在线评论有用性影响因素的理论深度,丰富了评论有用性的研究变量,评论有用性的研究呈现动态化,评论有用性预测的视角也有所不同。该研究有助于电商平台更好地理解消费者在线评论行为,实施行之有效的在线评论管理策略,增强电子口碑效应和创造消费者购物体验。