随着网络数据的飞速增长,网络信息的真实性与可靠性变得越来越重要,但不断涌现出大量恶意诱导用户的虚假评论使其同时充满了挑战性。因此,自动识别虚假评论给用户带来更为真实可信的资讯至关重要。针对虚假评论识别,现有的大部分基于神经网络的方法虽解决了评论文本上下文语义信息的问题,但能够学习文本深层语义信息的深度学习模型应用较少,未考虑用户、评论与产品三者之间的隐含表达模式。在对数据进行分析之后发现:用户在发表真实评论时候会通过对产品细节属性发表感受的方式增强情感表达,即细粒度情感分析任务中的细粒度方面情感,而现有的研究方法没有有效利用相关信息。此外,虚假评论识别任务中还存在着严重的数据不平衡问题。为了解决以上提到的四点问题,本文的主要研究内容如下:（1）本文针对虚假评论识别的策略,提出一个以细粒度方面词为方案,基于注意力机制与BERT模型的多级交互神经网络模型。将用户、评论文本、产品及细粒度方面4个维度的信息融合为评论的表示,从而挖掘用户、评论及产品三者间多层次的隐含表达模式。通过实验验证其有效提升了虚假评论识别的精准率、召回率及模型分类性能,同时也验证了BERT模型在虚假评论识别任务中优秀的建模能力。（2）为了进一步解决虚假评论中所存在的数据不平衡问题,采用数据本身具有的用户行为特征与文本特征进行类别可分性计算,对虚假评论类与真实评论类自动生成代价敏感参数,从而避免了现有研究方法中数据欠采样或过采样造成的信息丢失或噪声信息的产生。为了增强模型在计算过程中的稳健性,对用户、评论、产品三者之间的关系进行建模,并将其用作正则化项对模型的目标函数重定义,将数据之间的关系融入模型建模过程。通过实验验证了本文所提方法对虚假评论（少数类）分类性能的有效提升及可迁移性。（3）本文针对虚假评论识别的策略,从多维度对细粒度方面词及方面情感进一步挖掘利用,提出另一种结合群体智慧和用户个性化情感信息的多维表示的虚假评论检测方法。通过基于产品维度、用户维度对评论进行细粒度情感分析分别有效获取了群体智慧、用户个性化情感,并基于BERT模型对文本上下文信息嵌入的建模能力获取了评论语义信息,将三者基于Triple Network结构进行结合进行文本相似度的计算从而识别虚假评论,为该任务提供了一种新颖且有效的研究方法,从多维度验证了细粒度情感信息对虚假评论识别的有效影响作用。