在日常生活中,网络购物是一种重要的购物方式,但是网络购物看不到真实的商品,用户只能通过阅读为产品编写的在线评论,以决定是否购买该产品。评论实际上影响着用户的购买决策,关联着商家的销售额,往往正面积极的评论对提高销售额是更有帮助的。因此,为了获得利益,一些商家开始雇佣水军,制造虚假评论,这些评论无关商品优劣,并不是用户对待商品真实的想法,严重影响了用户的网络购物体验。为了检测这类虚假评论,研究者已从多角度提出了许多相关方法,如基于特征的方法、基于图的方法及基于深度学习的方法等。针对这些已经提出的方法,本文提出了一种基于无监督学习的虚假评论检测算法集成及评估模型——Spam Vote,Spam Vote模型主要围绕两个问题展开。其一,为了提高整体虚假评论检测性能,集成由不同类型的、基于作弊概率的虚假评论检测算法生成的多个排序列表,创建了一个性能更好的综合排序列表。模型通过投票将多个排序列表组合在一起,鉴于虚假评论的多样性,本文使用不同类型的算法进行建模,从排序数据中学习潜在变量,以检测项目是否为作弊项目;其二,因为获取真实有标注的数据集是非常困难的,即使现在有许多的检测算法,但是没有有真实标注的数据集,很难知道在几种检测算法中,哪一个算法的性能会更好。因此,本文试图通过Spam Vote平台,比较出算法的性能,这里模型以由不同算法生成的排序列表与综合排序列表的相似性做为算法性能的评估结果。最后,本文在真实的数据集上做了大量的实验。实验结果表明,Spam Vote模型创建的综合排序列表性能以高概率优于所有参与集成的排序列表性能,算法性能的评估结果接近真实结果。