过去十几年发生的电子商务的发展是令人难以置信的。在这种虚拟集市中,卖家和顾客虽然相距千里,但借助现代化的信息技术,使顾客感觉千里之外的购物仿佛近在眼前。对于顾客来说,当他们被精心设计的广告吸引所吸引,决定是否为商品付费时,因为对商品的知之甚少,所以他们会翻阅之前的消费评价从而查看商品的真实使用信息,然而,现如今面对激增的在线评论,顾客需要付出巨大的努力将有用的信息与无用的信息分离开来,这其中很多信息几乎没有什么用处,甚至会引起顾客的误解,并且许多产品页面下的评论质量也是参差不齐的。许多顾客愿意下对该产品留有用的信息反馈,而有些人则随意写下几句话,甚至在评论中粘贴与之无关的信息,这就使得消费者需要花更多的时间寻找有价值有帮助的评论。因此,从电商平台的角度来看,如果能提供过滤一些无用评论并将有帮助的评论放在前排的一种改善评论排序的服务,那么将会受到顾客的欢迎和青睐。本实验提出了一个新的多模态评论有用性模型,旨在解决现有的多模态评论预测有用性方法中的两个问题。一是模型由于设计不当的注意力的机制,导致多模态信息之间的交互很差,可能无法捕捉到真正必要的信息。二是缺乏适当的建模方法,无法充分利用所提供数据之间的相关性。该模型考虑到了多模态有用性预测的模态内部（评论文本和产品描述）和模态间（评论图像和评论文本）的联系程度。因受到了 self-attention机制思想的启发,本模型所设计的注意力机制将不同模态的信息整合,用来捕捉模态间和模态内的相关性和一致性,从而实现高准确率的有用性评论分类。为了验证模型中的高效性,本文实现了 3类基线模型共10组模型作为对比。同时为了探究搜索型产品和体验型产品是否会影响评论有用性的预测,本文在公开的数据源中挑选出搜索型产品和体验型产品代表——电子产品、衣服作为数据集的对照组。此外为了探究本文模型中各组件对有用性预测的影响,本文进行了多项消融实验。实验结果表明,本文模型在两个数据集上的效果都明显优于基准模型,并通过观察实验数据,发现相较于搜索型产品,体验型产品的评论内容和图像蕴含更多对顾客有帮助的信息,这可能表明购买体验型产品的消费者会在评价时会花更多时间去撰写文本评论和拍摄图像,通过对消融实验证明了本模型的注意力机制设计有效以及模型中其他组件的有效性和必要性。综上所述,本研究具有较高的理论意义和实际意义,理论意义表现在本文提出的多模态评论有用性预测模型,创新型的拓展了多模态评论有用性领域的研究。在文本特征层,加入了产品描述与评论文本交互,使用co-attention提取特征。在图文交互模块中,视文本特征为查询、视图像特征为键和值的类self-attention 注意机制,用以捕获不同模态数据间的关系。在实验的结果证明了多模态评论有用性预测中考虑产品描述的合理性和必要性和本文的注意力机制设计的合理性和有效性。本研究实际上用户、企业和网站开发者都有启示。首先,目前的研究结果可能有助于用户撰写更好的评论,比如图像加文字的形式一般能获取更多的有用性投票。其次,企业也可以利用有用的评论来了解用户对特定产品或服务的偏好和不满的地方,这进而可能导致双赢的局面,用户和企业都能从有用的评论中获益。第三,管理者可以改进评论系统的策略,可以让指定评论者应当评价的主题或问题,使其在互联网上留下的评价更全面、信息量更大,通过这种方式评论将对购买决策产生更大的影响。第四,管理人员可以使用这种技术在其他领域建模在线评论的特征和达到数据的自动分类等,以便从用户生成的在线评论内容中获得洞察和价值。第五,平台还可以个性化的设计评论推荐顺序,一定程度缓解消费者在购买时面对的信息过载问题。