近年来,电子商务所带来的便利渗透了人们生活的方方面面。其中,在线评论记录来自于消费者的真实体验和感受,因此成为了众多消费者做出消费决定的重要参考依据。这背后存在的巨大商业利益,导致垃圾评论在众多电子商务网站大量涌现。毋庸置疑,垃圾评论的泛滥将严重误导消费者的选择,导致消极的消费体验,同时也将对商家、网站的信誉和发展造成不利影响。因此,垃圾评论检测成为亟待解决的问题。现有工作主要致力于提取有效的语言特征和行为特征用于区分垃圾评论和真实评论。然而,此类特征工程方法在用户冷启动环境下的垃圾评论检测任务中表现耗时且无效。针对用户冷启动的垃圾评论检测研究甚少,最新的研究进展提出基于神经网络联合编码文本信息和行为信息的框架以应对用户冷启动导致的数据稀疏问题。但是,该框架忽略了丰富的属性信息,检测效果有待改进。本文首先提出行为特征生成模型(BFGN),基于评论的文本特征为用户冷启动环境下的垃圾评论生成对应的行为特征。通过深入分析现有方法与BFGN模型的本质思想与存在问题,本文提出了联合建模实体、属性及其间关联的属性增强评论表示模型(AE)。该模型不仅编码评论者、商品、评论等实体信息,同时建模实体的固有属性信息,如地点、时间、价格档等。通过在AE模型的基础上引入领域分类器实现辅助领域与目标领域间的知识迁移,本文进一步提出基于属性增强和领域适应的评论表示模型(AEDA)。通过集成丰富的实体、属性与辅助领域的信息,本文所提出的AE与AEDA模型能够有效应对用户冷启动环境下的数据稀疏问题。在Yelp数据集上的实验结果表明,我们的模型效果均显著优于基线方法。