电商平台中的用户在购买商品时,通常会参考之前消费者的历史评论信息。因此,许多不良商家通过雇佣水军对商品进行虚假评论,以损害其他用户权益和平台利益为代价,从中谋取非法暴利。这种水军团伙称为虚假评论群组,与单个虚假评论者相比,虚假评论群组对电商平台的危害更大,严重影响了电子商务企业的可持续发展。许多研究学者对虚假评论群组检测进行了研究,但是仍存在了一些问题。例如,一些现有的检测方法无法充分挖掘用户与商品之间的交互信息,使得用户嵌入不能全面的表示用户特征,限制了检测算法的性能。此外,一部分研究侧重于人工构建检测指标,然而这种方式不仅效率低下,而且设计的指标难以应对不同的数据集。针对上述问题,本文对虚假评论群组检测提出两种解决方案。首先,针对现有方法不能充分挖掘用户与商品之间的交互关系,导致节点嵌入表示效果不佳的问题,提出一种基于图卷积网络的虚假评论群组检测算法。该算法通过构建一个层注意力图卷积网络模型（LAGCN）进行用户特征向量的表示。LAGCN通过图卷积网络深度挖掘用户之间的潜在联系,并通过注意力机制将不同层的嵌入加权求和,从而更全面深入地表示节点的特征。在得到用户节点的特征向量之后,对其进行聚类将用户划分到不同的候选群组中,并提出指标对候选群组进行判别。其次,为了解决多数研究方法侧重于通过人工特征工程构建检测指标,并且所提指标难以应付不同数据集的问题,提出一种基于半监督图神经网络的虚假评论群组检测算法。该算法不再依赖人工提出检测指标,而是通过构建一个半监督图神经网络模型,对带少量标签的单个用户进行训练,学习预测所有用户的标签。之后再通过获取的标签生成指标,以此来代替人工提取指标进行群组检测。最后,将本文所提的两种算法和现有的四种算法在Amazon数据集和Miami数据集上进行了实验,并对实验结果进行了对比分析。