随着互联网的普及和电子商务的推广,越来越多的消费者选择网上购物。而在线评论与商家的回复可以帮助消费者了解更多关于商家和商品的信息,从而影响着商家的口碑,对消费者的购买意愿有着一定的影响。目前针对电子商务平台在线评论进行智能自动回复的研究还比较少,基于此,本文研究了在线评论的自动回复技术,主要研究内容包括文本聚类分析,情感分析模型的构建和根据语义的文本匹配方法。本文提出一种基于Canopy+Kmeans聚类,在此基础上利用基于先验知识的主题模型CorEx进行主题特征词扩充的聚类方式。首先利用Canopy进行粗略的聚类分析获得在线评论文的主题数,再将该数作为k值使用Kmeans进行聚类分析,获取每个主题的特征词。接着将这些主题特征词作为先验知识,利用Cor Ex模型设定锚定词和锚定强度聚类后,可以发现这些主题不容易被发现的特征词。利用这种聚类方式可以较好的发现在线评论中各个主题的特征词。在情感分析模型构建上,本文利用BERT预训练模型对文本进行初始化向量操作,将这些向量作为双向长短期记忆网络BiLSTM的输入,再利用BiLSTM进行上下文特征提取和分类训练,最终得到BERT-BiLSTM情感分析模型。在验证数据集上测试后,该模型取得了比BERT微调模型和经典机器学习分类算法更好的成绩。本文在文本匹配上选择了根据句向量余弦相似度和多维度情感匹配度相结合的方式,目的是找出评论回复数据库中与输入评论语义最为接近的在线评论。具体来说先是利用BERT预训练模型将评论内容进行初始化向量操作,再计算评论回复数据库中的评论与输入文本的句向量余弦相似度,来寻找语义相似度较高的在线评论。同时,利用聚类得到的主题特征词和结合依存句法分析的分句方式将在线评论分为包含主题属性的短句,对其依次进行情感分析得到在线评论的多维度情感倾向,最后结合句向量余弦相似度和多维度情感分析的匹配程度进行文本匹配。为了保证回复内容的多样性,将匹配到的在线评论对应商家回复内容进行文本增强技术EDA操作后,选取与原句句向量余弦相似度最高的句子作为自动回复内容。综合以上研究,本文设计并实现了一种对在线评论进行自动回复的原型系统,通过实例对系统进行测试后验证了系统的效果和实用性。