在电子商务平台中,在线评论发挥着重要的作用。顾客在消费前会参考商品的评论信息。商品评论影响消费者的消费行为,在利益驱使下商家通过发布虚假评论来提高消费者对商品的好感。这些虚假评论降低了在线评论的可信度,误导顾客购买劣质产品,降低平台声誉。因此,虚假评论的识别对顾客和平台都十分重要。虚假评论主要根据虚假评论和真实评论在评论内容和评论者特征上的差异进行识别,研究重点在于研究的领域以及所采用的特征和算法。已有的虚假评论识别方法主要采用全监督算法或启发式策略,半监督学习研究较少且准确率有待提高。针对这些不足,本文研究基于半监督方法,如何提高虚假评论识别效果。本文融合评论内容和评论者特征,对美妆领域的虚假评论检测进行研究。在特征方面,创新性提出将评论内容丰富度、提及人称次数以及购买原因这几个指标用于虚假评论识别。通过比较不同的全监督算法效果,采用性能最佳的分类器（朴素贝叶斯）来评价各项特征指标的作用。结果表明内容丰富度、提及人称次数以及购买原因这些特征确实能够提高模型的性能（F1值提高14%）,其中提及人称次数特征的影响最大（F1值提高12.54%）,购买原因次之。该结果证明这些指标在虚假评论识别问题上的可行性,并通过主成分分析法验证了结果的可靠性。由于数据标注费时费力,已标注的数据量比较少。为此,本文研究了半监督学习方法的识别效果。为了提高识别性能,设计了一种自我训练改进方法。通过比较全监督和半监督方法的性能,证实半监督学习方法的性能确实优于全监督算法。基于此,比较传统自我训练、协同训练以及本文所提出的自我训练改进方法的性能,发现自我训练改进方法的表现最好,F1值达到了 88%,证明了本文提出的特征和算法的有效性。本文的研究扩展了虚假评论识别问题的思路和方法,有助于提高识别效果。