在线商品评价是网络用户对在线商品服务进行主观或客观的自我印象阐述,可以辅助用户做出购买决策,影响着用户消费行为并具有口头营销作用。然而,在线商品评价规模日益庞大,评价质量参差不齐,用户难以筛选有用评价信息,因此如何有效识别高质量评价信息成为重要议题,但在线评价质量评估问题中仍存在一些不足,例如需要进一步挖掘影响评价质量的有效特征、评估方法中回归分析的推测性与传统分类方法所得结果刻板性等。有用性投票是网络用户对评价有用性的标注信息,代表广大网络用户的观点,相对客观,且数据量大、容易获取,并且本身为量化信息。因此本文以在线商品评价的有用性投票为基础定义评价质量,并从元特征维度、追加评价维度、语法维度、情感维度、可读性维度、商家维度选取评价特征并同时加入了商品评价数、商品评价有用性投票数,以此为基础使用贝叶斯网络构建在线商品评价质量评估模型。论文使用BIC评分函数衡量模型结构的优劣,并使用K2算法寻找在线商品评价质量评估模型结构,再通过最大似然估计学习模型参数,使用团树推理算法预测在线商品评价质量类别并给出类别权重值。通过真实数据集,本文以平均准确率、平均召回率、F-Measure为指标,验证了商品评价数、商品评价有用性投票数两个特征的有效性并验证了多分类模型的适用性,通过对比不同特征数的模型建立时间以及不同推理算法的评估时间阐述了模型构建算法和推理算法的效率。最后,我们设计并开发了淘宝商品评价爬取及处理原型系统和基于贝叶斯网络的在线商品评价质量评估原型系统分别用于获取并处理本文所需数据集以及建立在线商品评价质量评估模型并评估所需在线商品评价信息。