随着网络和电子终端技术的快速发展和应用,电子商务突飞猛进,一度颠覆了人们的购物方式。线上购物已经成为人们普遍的购物方式。很多消费者在决定是否购买物品时,除了查看商家介绍的详情,也经常查看用户的商品评论和购物体验,随之而来也产生了虚假评论问题。部分不良商家为了谋取不正当利益,雇佣一大波虚假评论师对商品盲目吹捧,对同行商家商品恶意诋毁。这种做法严重影响了电子商务平台的购物秩序,破坏了公平的购物环境,影响了消费者的购物选择和体验。虚假评论都是人为根据商家提供的商品信息刻意撰写的,具有一定的专业性和迷惑性,消费者难以辨别。因此,为了维护电子商务平台的稳定发展,急需研究一种有效识别虚假评论的可靠方法帮助消费者识别虚假评论。卷积神经网络(Convolutional Neural Network,CNN)是受生物自然认知机制启发产生的一种经典神经网络,可将评论数据映射到更高的维度进行抽象的表达,更加深入的学习评论数据存在的内部关系和规律,从而用此规律检测用户评论是否真实。针对虚假评论语料不足的状态,本文在ott黄金数据集的基础上,通过爬虫工具以亚马逊购物网站为对象,爬取了部分用户的评论对黄金数据集进行了扩充。针对虚假评论文本迷惑性大且难以识别的特点,本文提出了基于嵌入机制的卷积神经网络模型以提高虚假评论检测的性能。具体过程包括:(1)通过word2vec将原始数据训练成指定规模的词向量嵌入卷积神经网络的输入层;(2)利用卷积层和下采用层(池化层)合理的结合进行特征提取和降维,通过flatten层进行平铺;(3)送入全连接层中进行结果判别。本文采用了实验方法研究了不同层次的卷积神经网络结构训练数据,寻求最佳层次实现卷积神经网络的最佳模型。针对模型中出现的过拟合问题,及时调整相应参数以使模型效果最佳。同时将原始数据训练成不同维度的词向量送入到同一个卷积神经网络模型进行的对比实验,探讨了不同维度的词向量对卷积神经网络的影响。最后,利用训练的最佳模型,采用了扩展的黄金数据集进行了性能验证。实验结果表明,通过维度的优化和层次结构优化,以及数据集的扩展,较好地提升了卷积神经网络网络对虚假评论的识别性能。