随着互联网技术的不断发展,电子商务也随之兴起,商品的评论成为了人们进行购买决策时重要的参考信息。为了获得可观的收益,商家通常雇佣多个虚假评论发布人对其竞争对手的产品进行恶意评论来诋毁产品的质量或者对自身的产品进行良好的评论来增加产品销售量。这些被雇佣一起进行不实评论的团体叫做虚假评论群组。对比于单个虚假评论人,虚假评论群组更隐蔽,对电商平台产生的威胁更大,严重影响了电商平台的公平性。为检测虚假评论群组,人们提出了各种检测方法。然而,这些方法存在着不能充分利用已有的信息和检测精度不高的问题。为解决上述问题,本课题从以下两方面进行研究。首先,针对不能充分利用现有信息的问题,本文提出一种基于异构信息网络的有偏游走虚假群评论组检测算法。该算法根据用户和商品评价信息建立具有权重信息的异构信息网络,采用元路径上有偏游走的方法生成用户和项目节点的低维向量表示。对用户向量采用K-Means++得到候选虚假评论群组,根据检测指标计算群组怀疑度。检测出虚假评论群组。其次,针对之前算法负采样只能选取现有节点不能更好的模拟真实节点的问题,提出一种基于生成对抗网络的虚假评论群组检测算法。算法将数据集中的购买与被购买关系提取出来,通过生成对抗网络中的广义生成器和关系感知鉴别器互相训练,生成更具代表性的节点特征向量。利用聚类方法对用户嵌入进行聚类,根据指标对候选群组排序。最终得到虚假评论群组。最后,本文提出的算法,在Amazon评论数据集及Miami评论数据集上进行了实验,并和已有的算法进行对比,用实验验证了两种算法的有效性。