随着信息技术与网络平台的迅速发展,越来越多的用户喜欢通过电商平台进行网上购物。由于线上购物使用户无法直接接触商品实体,以及商家所给商品信息并不完全可信,用户的商品评论对于其他用户和企业具有重要的参考价值。这促使了虚假评论的产生,其刻意赞美或恶意诋毁某一产品,而且与用户真实经历体验后发布的评论不相符。这些虚假评论危害性极大,严重损害了用户与正常商家的利益。因此,有效识别出虚假评论已成为一项急需解决的任务。现有的虚假评论检测技术通常以大量的标记数据为基础,采用监督学习的方法检测。然而人工标记数据耗时耗力,在真实场景中大规模标注评论是不可取的。因此,有必要研究如何使用较少的标记数据来检测虚假评论。针对于上述情况,本文从特征提取和模型训练算法方面展开对虚假评论检测的研究,做出的主要工作如下:(1)从特征提取方面对虚假评论检测展开研究,根据用户真实购买商品的场景,提出了一种基于用户浏览记录的用户行为特征—商品浏览相关度,利用用户评论前的浏览商品记录与其浏览类似相关商品记录来描述用户购买的真实度。本文通过Amazon等实验数据集验证了包含浏览相关度的用户行为特征和文本特征对于检测有更好的效果。(2)从模型训练算法方面出发对虚假评论检测进行研究,本文提出了一种基于垂直集成的改进Tri-training算法(Vertical Ensemble Tri-training,VETT)。该算法主要是保存每次迭代过程中的分类器,利用分类器之前迭代的数个分类模型间的多样性集成训练出此次迭代的初代分类器。该方法重用了迭代过程中的分类器,并不增加过多的时间与空间开销。实验结果表明了VETT算法对于检测虚假评论有着更好的效果。(3)考虑到改进的算法依然存在初始分类器性能较弱以及分类器迭代的多样性不明显,本文利用基于委员会的主动学习来解决,在迭代中利用主动学习挑选不确定性和差异性最大的样例进行标注,提高分类器性能,并选取Amazon数据集和黄金数据集进行实验,验证了主动学习对本文虚假评论模型的检测性能有很好的效果。