互联网上存在海量形式异构的用户生成内容,包括公开点评网站、电子交易平台中用户针对某些服务或产品所发表的评价。通常,用户会通过多种形式分享他的消费体验,比如上传照片等图像数据,发表文字评论,在平台限定范围内给出评分。随着个性化推荐、用户画像、文本挖掘分析等研究的不断深入,这些体量庞大的用户反馈数据越来越成为其不可或缺的研究支撑。某种程度上,在线评论会影响甚至引导其他新用户的购物决策,从而与品牌信誉、商家经济收益紧密关联。为了获取灰色收益,某些群体或个人发表欺骗性的虚假评论以攻击商业竞争对手或抬高自身形象,因而过滤虚假评论成为关键的一环。传统的机器学习虚假评论检测技术依赖根据专家经验手工设计的离散欺诈特征,大都将鉴别评论真伪的任务归纳为文本二分类,虽然能够取得不错的分类准确率,但一般无法避免高代价的特征工程工作。基于概率图模型的方法通常将原始评论数据建模为拓扑网络,探索评论系统实体间的概率依赖关系,将虚假评论识别转化为图上的概率推理、排序问题。图神经网络（Graph Neural Networks,GNNs）模型可以同时保持网络结构相似性与节点属性信息,有些研究基于GNNs结合用户评论构建端到端的欺诈检测方法。虚假评论在总体大规模用户评价数据中只占少数,类别非均衡问题作为影响检测性能的关键因素在GNN-based虚假评论检测方法中还待进一步研究。集成学习（ensemble learning）、数据重采样（re-sampling）和损失函数工程是深度学习中解决类别倾斜问题的强大工具,针对GNN-based虚假评论检测模型面临的数据类别不均衡问题,提出集成的层级图注意力网络虚假评论识别方法,本文的主要工作如下:（1）研究虚假评论识别的国内外相关工作,总结一些常见的欺诈评论特征,从学习方式、所用特征信息等角度分析这些检测方法的特点;总结一些主流的解决类别非均衡分类问题的技术,整理虚假评论识别中关注数据类别倾斜问题的一些研究。（2）针对数据类别非均衡问题,提出集成层级图注意力网络的虚假评论检测方法En-HGAN。将评论系统建模为不同视角下包含评论间多种复合关系的评论网络,利用层级图注意力网络HGAN为评论学习更加细致的向量表征;融合随机欠采样策略与集成学习Bagging框架,基于输入样本扰动集成多个差异化的HGAN子模型,减少有效信息损失的同时提升模型的泛化性能。真实的非均衡评论数据上的实验结果显示En-HGAN方法有不错的欺诈检测性能。（3）数据类别倾斜分布下,为了不严重损害检测性能同时降低模型训练花费,结合快照集成（snapshot ensemble）思想与非均衡的Focal Loss损失函数提出SEn-HGAN虚假评论识别方法。在HGAN的整次训练过程中,采用Focal Loss指导其学习方向,基于循环余弦退火方式周期性地调整学习率,利用参数扰动集成多个收敛到不同局部最优的HGAN子模型。在真实的非均衡虚假评论数据集上实验又与En-HGAN方法比较,显示出良好的识别性能与合适的训练代价之间的平衡。