社交网络平台是用户进行分享观点的平台,其中用户发布的评论能够为其他用户提供有关有价值的信息。例如在电子商务社交平台上,用户对商品的评论能够为其他用户提供更多的额外信息,从而为用户决策提供更加全面的依据。然而,欺诈者出于商业目的发布欺诈评论来鼓吹或者贬低商品,这严重损害了商家及用户的正当利益。因此,有必要对社交网络中的欺诈评论进行检测。尽管已有大量针对欺诈评论检测方面的研究,但在冷启动的情况下,因为新用户刚刚在社交网络中新发布评论,导致缺乏足够的新用户历史信息,因此现有的利用用户行为特征进行欺诈评论检测的方法无法有效地解决欺诈评论检测的冷启动问题,同时欺诈者的联合欺诈行为也是社交网络欺诈评论检测中的一个重要问题。因此本文针对社交网络中的冷启动欺诈评论检测与欺诈群组检测进行了如下研究:（1）分析欺诈评论检测研究的当前发展状况,剖析社交平台欺诈评论的危害范围及危害程度,对不同的欺诈评论检测方法进行分类讨论。分析当前欺诈评论检测的国内外研究情况,并分析了当前欺诈评论检测方法存在的问题,展望了未来欺诈评论检测方法的应用前景。（2）针对冷启动所带来的中新用户历史信息缺失和欺诈者模仿真实用户评论撰写欺诈评论的操纵欺诈问题,本文提出一种基于社交关注的用户表示学习冷启动欺诈评论检测方法,该方法利用欺诈相关的用户评论行为和全面的用户社交耦合关系进行冷启动欺诈评论检测。该方法将实体关系、社交耦合以及欺诈相关信息联合嵌入到用户向量表示空间中,根据学习到的社交关注实体关系有效地得到新用户表示以对冷启动欺诈评论进行检测。实验结果表明本文所提出的欺诈评论检测方法能够有效的解决冷启动欺诈评论检测问题,在精确率、召回率和F1值三个评价指标上对比JETB、Behavior、Bigram三个方法都有所提升。（3）针对社交网络中欺诈群组进行联合欺诈的问题,提出一个基于用户表示相似度进行欺诈群组检测的算法。通过用户表示学习,得到的用户表示包含实体关系和用户社交关系,根据用户表示计算得到用户相似度进行欺诈群组检测。实验结果表明,本文所提出的方法相较于JETB、FRAUDER、Holo Scope三个方法在三个评价指标上都有所提升,用户的社交关系对于协同欺诈者的检测至关重要。将实体关系嵌入用户的表示有助于个体欺诈评论检测,而将用户社交关系嵌入用户表示有助于进行欺诈群组检测。