近年来,在线社交活动与日俱增,越来越多的人倾向于在网络上发表意见和表达情感,与之而来的在线评论数据也日益繁多。通过对这些数据的提取、分类和分析,可以帮助我们了解不同人对不同事物所表达的观点和情感。在线评论数据的分析对网络情报舆情、网络安全等方面具有重要的意义,因此对相关数据分析技术的研究和探讨变得尤为重要。虽然已有很多不同领域和学科的检测方法相继被提出,但目前的检测模型针对不同数据仍存在许多不足之处:1)恶意评论文本规模大、噪声多、更新快、针对性强,现有检测模型不能直接用于恶意评论检测;2)恶意评论存在严重的类不平衡问题,导致恶意行为检测难度增大和效率低;3)传统模型结构简单、学习能力弱、特征提取困难使得检测模型拟合效果较差。针对以上三个问题,本文主要做了如下的工作:(1)针对类不平衡和样本重叠问题,设计了一种基于样本分层欠采样和Bi-GRU网络的恶意行为检测模型(SSU-BG)。首先,对评论文本预处理,并根据数据集特点构造特征模型;然后,基于欧氏距离计算出高频样本的最高密度点和类内平均距离后将高频类划分为稠密区、稀疏区以及稀疏区边界层,再根据样本标签数在稠密区划分不同层次圆环的采样区,并根据各类样本不平衡度的均值来衡量总体采样比例,进而在稠密区和稀疏区边界层的圆环域分层随机欠采样,从数据层面解决类不平衡和重叠问题;最后,将文本向量输入训练好的Bi-GRU模型中。实验结果证明:SSU-BG模型在21组实验中检测准确率比其他模型检测准确率最多可高出9.98%,错误率最多可降低39.14%,另外两个评价指标也均有所提升,因此该模型在改善整体检测效果的同时也解决了类不平衡和样本重叠问题。(2)针对类不平衡和SMOTE算法采样比例设置不足的问题,设计了一种基于改进SMOTE和Bi-LSTM组合式网络恶意行为检测模型(AS-BL)。首先,对数据集预处理,在前一部分研究基础上继续扩展特征模型,同时由于恶意词汇大多集中在句末出现,所以将句末词进行向量化,以增强分类的准确率;然后,采用K临近算法计算出所有高频样本的平均密度,根据平均采样密度计算出采样比例,以采样比例为基础进一步计算出样本临近生成的样本并放入低频样本集中;最后,将文本向量输入训练好的Bi-LSTM模型中。实验结果表明:AS-BL模型比上一部分提出的SSU-BG模型的检测准确率提高了0.8%,错误率降低了0.52%,同样另外两个评价指标也均有所改善,同时也较好的解决了类不平衡和SMOTE算法存在的一些问题。