大多数基于有指导机器学习方法的情感分类采用N 元（n-gram）词袋（bag-of-words）模型，使用二值（binary）作为特征项的权重。本文系统地分析了信息检索中常用的特征权重计算方法，并从项频、倒文档率、归一化因子等角度加以借鉴和改进，研究其在商家评论上的应用。最主要的改进在于考虑了特征项在不同类别中分布情况的差异以及对倒文档率的平滑。在餐饮评论语料上的实验结果表明，经典的tf·idf若干变形，尤其是倒文档率类差异（delta idf）及平滑因子（smoothing factor）的引