由于在线产品评论信息可以极大影响产品的销售,为了推广或诋毁特定的产品,存在很多产品评论者故意发布不真实的产品评论。利用评论图中产品节点、评论节点和评论者节点间的相互关系,通过迭代计算可以得出产品节点、评论节点和评论者节点的信誉度,从而检测在线购物站点产品评论者中的虚假评论者。为了在网络购物环境中找出虚假评论者,提出了一种新的评论图结构,即产品评论图。该产品评论图不仅利用评论,产品,评论者之间的相互关系,还利用从数据集中获取的评论,产品,评论者自身所具有的大量特征。将产品评论图和评论集中的评论特征相结合,提出了一种基于评论特征的在每轮迭代过程中逐步淘汰评论者及其评论的ICE算法,极大提高了迭代收敛速度、准确率和召回率。通过在评论、评论者和产品的评分函数中加入评论特征进行矫正,进一步提高基于评论图方法检测虚假评论者的准确度。通过对算法返回结果各特征分布情况进行分析,得出不同算法所适于检测的虚假评论者类型,方便算法的实际应用。本文进一步提出了一种半监督的分类方法对ICE算法返回的结果做进一步处理。该机器学习方法不仅可以验证ICE算法的有效性而且可以作为ICE算法的一个补充,从而识别出更多的虚假评论者。实验表明以上方法可以识别出非常规的虚假评论者,并且具有较高的准确率和召回率。因此该方法可以作为现有检测方法的一个补充。开发了一个与整个实验配套的虚假评论者检测软件,该软件可以对评论者和产品信息进行快速的查找,方便进行人工评估及结果分析,保证了虚假评论者检测研究真实高效的进行。