当前,随着科技技术的不断更新,网上购物模式变得日益成熟,足不出户就能满足消费者自身各类需求的消费模式,已成为现代人们生活不可或缺的一部分。这种根据在线商城的商品信息和大量的评论信息来选择购物的方式,给人们带来了极大的便利性,但也刺激了大量不良现象的发生。某些商家为了谋取高额的利润,经常会雇佣刷手或水军为自己的商品撰写批量的好评,以此误导消费者购物。这不仅严重影响了消费者的正确判断,也给消费市场的生态发展造成了不良影响。因此,如何有效的识别虚假评论意义重大。近年来,研究者们在此问题上也取得了一些不错的成就,但在模型的效果方面还有待进一步提升。传统的机器学习算法,由于无法全面的获取文本的深层次语义信息,且人工构建特征较为繁琐等缺陷,导致该类算法最终的分类能力较为有限。本文在此基础上,着重介绍了使用深度学习相关算法来识别虚假的评论文本,主要的研究内容可归纳为:首先,基于传统的机器学习方法对虚假评论进行识别。主要采用了N-gram与TF-IDF相结合的方式提取评论文本中的信息,并构建了相应的评论者行为特征,以补充文本中未能体现的一些行为信息。将两者特征进行组合,输入到传统的机器学习模型中,结果显示特征组合后的模型效果更好,表现相对较好的是逻辑回归模型,准确率达到78.33%。其次,基于深度学习方法对虚假评论进行识别。在文本特征构建上,选择了词向量的方式进行改进,如:利用谷歌预训练的Word2vec和Glove词向量进行训练,得到对应的文本词向量,在与其向量化后的评论者行为特征进行融合,分别输入到CNN、Bi LSTM和Bi GRU中进行训练,并尝试加入注意力机制,及混合模型等方式进行实验。结果显示,使用CNN+Bi GRU+Attention混合模型的效果最佳,准确率较单一方法提升了5-8%左右,最终达到90.13%的效果。最后,引入ERNIE预训练词向量构建深度学习优化模型。本文在深度学习模型的基础上,尝试探寻预训练模型对下游分类模型的影响,并选取了百度开源的ERNIE预训练词向量模型进行训练,并在下游任务中选取了Bi GRU+Attention模型进行本文分类任务,此方式能有效的提高文本的语义表达能力,进一步提升模型的性能,使其准确率达到了92.57%,相比于其他模型达到了最佳的效果。