使用LightGBM构建电商评论有用性识别模型，该怎么做，请给出R语言代码示例

首先，需要加载必要的包和数据集。

library(lightgbm)
library(tidyverse)

data <- read.csv("ecommerce_reviews.csv", stringsAsFactors = FALSE)

然后，对数据集进行预处理，包括缺失值处理、特征工程等。这里以文本特征为例，使用TF-IDF方法提取特征。

# 缺失值处理
data <- data %>% 
  na.omit()

# 文本特征提取
corp <- Corpus(VectorSource(data$comment))
dtm <- DocumentTermMatrix(corp)
tfidf <- weightTfIdf(dtm)
features <- as.matrix(tfidf)

接下来，将数据集拆分为训练集和测试集，并使用LightGBM构建模型。

# 拆分数据集
set.seed(123)
train_index <- sample(1:nrow(data), 0.8 * nrow(data))
train_data <- data[train_index, ]
test_data <- data[-train_index, ]

# 构建LightGBM模型
train_set <- lgb.Dataset(train_data[, -1], label = train_data$useful)
test_set <- lgb.Dataset(test_data[, -1], label = test_data$useful)
params <- list(objective = "binary", metric = "binary_logloss")
model <- lgb.train(params, train_set, 1000, valid_sets = test_set, early_stopping_rounds = 10)

最后，使用测试集评估模型性能。

# 预测
pred <- predict(model, test_data[, -1], n_jobs = -1)

# 评估模型性能
roc_auc <- roc_auc_score(test_data$useful, pred)
cat("ROC AUC:", round(roc_auc, 3))