在世界范围内,在线消费平台中的虚假评论频发,严重扰乱用户的购物判断,所以需要将虚假的评论及时地检测出来。由于先前的研究大多数都集中离线检测虚假评论,本文提出了一种新颖的在线声誉欺诈活动检测模型,即Spam Guard,主要是在评论数据流中检测新出现的群体作弊活动。具体来说,Spam Guard模型是通过三个步骤来构建完成的。首先,本文使用马尔可夫随机场模型,通过建立评论之间的相似性关系,增量式地构建并维护评论相似图,这里本文的创新点是分为了三种类型来创建多边无向带权图,也就是说评论相似图是由三种类型的子图的合集组成。其次,通过对评论相似图进行LBP迭代的方式,利用结点之间消息的传递,计算并更新每条评论的作弊度。最后,通过一种无监督的、似然估计方法,也就是CUSUM方法,它是以微小误差累积的方式,在线检测到在评论时间序列中的作弊度的骤升点和随后的明显下降点,在这两点中间的一段序列记为一段群体作弊活动。本研究在检测虚假评论的方式上与以往的离线检测不同,在线环境中,从运行中的少量近期评论中提取可靠的虚假评论指标是不现实的。因此,在本次研究中,不需要使用任何个人评论的先验知识。此外,作为一种增量更新算法,通过三种不同类型的相似关系构建子图,用LBP进行迭代时,与所有结点都参与LBP的静态图的方式不同,而是只对新评论及与新评论构成连接关系的结点参与作弊度的更新,这一属性使得Spam Guard成为一种快速的在线算法。本实验分别通过Yelp Zip和Amazon数据集进行了双重验证,在Yelp实验数据集的处理上,通过DBSCAN参数的不同,将数据集分成了作弊程度不同的三组,乐观的一组,召回率到达了88.63%。在亚马逊数据集的人工分析上,找到了三个经典作弊案例,验证了实验的有效性。