随着互联网的飞速发展,网络用户的数量也在急剧攀升,从而导致了网络上的数据特别是电子商务平台评论数据的指数级增长,企业和消费者已经无法满足通过手工进行筛选获取信息,急需对在线评论进行快速的主题挖掘,对用户进行有效的社区划分。通过在线评论主题社区发现,能为消费者的购买行为提供决策信息,同时也为商家改进产品、精准定位消费人群提供技术支持。而传统的在线评论挖掘手段往往是基于统计学的方法,忽略了在线评论之间语义关联信息,导致挖掘精度不高、处理效率低下等问题。近年来,复杂网络理论和实践的研究都越来越成熟,语言也被证实具有“小世界”的特性,越来越多的学者也开始将复杂网络的理论应用到自然语言处理中。为解决传统在线评论挖掘方法中语义关联信息缺失的问题,本文将复杂网络理论引入到在线评论主题社区发现的研究中。本文的主要内容是在线评论网络的构建与针对在线评论网络进行的主题社区发现,论文的主要工作体现在以下几个方面:首先对复杂网络及其在语言处理方面应用的相关理论、文本表示和特征选择的理论、社区发现算法的理论进行系统的阐述,基于复杂网络文本表示模型构造单条在线评论复杂网络,并采用基于复杂网络的特征选择算法对单条在线评论网络进行简化,进一步结合最大公共子图相关理论实现语义层次的在线评论间相似度计算,在此基础上提出在线评论网络的具体构建流程;其次结合社区结构的理论对在线评论网络的社区结构特征进行分析,针对在线评论网络社区的结构特征并结合节点间语义相似度优化LFM社区发现算法,提出了 LFMS主题社区发现算法并对在线评论网络进行主题社区划分;最后梳理了社区发现算法效果的评价指标,针对网络爬取的真实评论数据设计两组实验,验证了在线评论网络的合理性和LFMS算法的有效性。通过分析实验数据得出,基于复杂网络理论构建在线评论网络具有一定的合理性,改进后的LFMS算法能够在一定程度上提高在线评论网络主题社区发现的效果。