Web2.0的到来促进了户成内容的繁荣发展，在促进知识传播与解决信息不对等的同时，同时也产了户恶意破坏他编辑的内容、伪造虚假评论、不尊重版权上传他成果等问题。这些问题的产使得对户信誉度与户成内容质量的评估成为必须。本先阐述了数据的获取、预处理与特征的抽取。我们以英维基百科作为知识分享类站的代表进研究，下载了英维基百科的数据，针对维基百科的章与作者的特点，我们抽取了量特征。我们随机抽取了3个类作为三个数据集，以数据集下的章与章的作者作为研究对象，并对章质量与作者的信誉度进标注，得到标准数据集。我们以亚马逊评论作为商务评论站的代表进研究，下载了亚马逊的评论数据，并随机的选取电产品下的评论与评论者作为研究对象，先对数据集进预处理解决数据稀疏性问题，针对亚马逊评论和评论者的特点，抽取了量特征，并通过标注对评论与评论者进标注，得到标准数据集。在维基百科中，我们提出了双翼因图模型，该模型利我们所抽取的特征集，将作者的信誉度与章质量的估测结合在统的模型中解决。我们通过L-BFGS算法对模型进学习，从获得各个因的权重，并在测试集上对章质量与作者的信誉度进估测以验证模型的正确性，我们选取了个模型作为基准法与我们的法进较，实验显我们的法在准确率和综合评价指标F1上都有较提。在亚马逊评论中，我们提出了评论因图模型，来检测评论中的虚假评论者与虚假评论，该模型将检测虚假评论者和虚假评论结合在统的模型中解决。我们通过L-BFGS算法对模型进学习，获得各个因的权重，并在测试集中检测虚假评论与虚假评论者以验证模型的正确性，我们还选取了个模型作为基准法与我们的法进较，我们的法在准确率和F1上都有较提。章最后总结了本主要作，并提出今后研究向的重点。