随着互联网和移动终端的发展,电子商务成为日常生活中不可或缺的部分,随之而来的是商品信息、用户评论数量的飞速增长。其中用户的评论在电子商务中起到至关重要的作用,因为在网络购物中用户将商品评论作为衡量商品质量的参考资源,会左右消费者的决定。所以出于利益商家会雇佣专业写手为自家商品撰写好评或为竞争对手撰写差评,对电子商务平台的生态发展造成了严重的影响。现有研究表明,人工识别这类虚假评论的水平较低。为了有效识别这类评论,一些学者使用基于浅层、显性语义特征的方法,取得了一定成果。而深度学习方法可以挖掘深层次的语义特征,在识别虚假评论任务上,本文将深度学习方法作为研究重点。本文研究内容归纳为以下四点:(1)基于传统模型方法的虚假评论识别。在传统方法模型中采用了四种分类器,针对虚假评论语料的特点,提出文本特征、情感倾向性特征、心理学特征、句法相关特征四大类特征。采用了多模型投票策略,实验效果超过基线方法。(2)半监督学习算法扩充语料。针对虚假评论语料匮乏的情况,首先利用爬虫程序爬取评论资源,然后采用一种半监督学习算法,根据少量已标注的语料,从爬虫数据集中抽取置信度高的点评加入语料库。(3)基于深度学习模型的虚假评论识别。在虚假评论识别任务上,使用词向量作为输入,在LSTM、双向LSTM与CNN模型上进行实验,并尝试上述模型的融合实验。实验结果表明CNN与LSTM混合模型的效果最佳,准确率较基线方法提升2个百分点。(4)融合Attention机制的虚假评论识别。本文实现了两种Attention机制,分别为前馈式注意力模型和基于上下文的注意力模型。注意力机制对句子中单词的重要性进行区分,利用注意力权重得到更加准确的句子表示。将注意力机制应用在LSTM模型和LSTM与CNN的混合模型,进一步提升了准确率。