随着社会信息化程度不断加深,网络舆情与人们的日常生活变得密不可分。面对我国数量庞大的网络群体,部分别有用心的组织机构雇佣水军,对一些社会敏感的焦点和热点,匿名地发表诸多具有导向性的观点,进而引导话题偏向错误的方向,不利于社会的安定以及发展。因此,目前利用计算机技术对网络舆情进行监控已成为热门领域并具有一定的社会价值。本文就网络舆情监控系统关键技术中的虚假网络信息的过滤进行探究。作为虚假网络信息的主要组成部分,虚假评论对社会同样具有一定的危害,因此急需对虚假评论进行识别。对虚假评论的识别主要是提取评论内容特征,并采用传统的机器学习算法来实现的识别虚假评论。由于传统的机器学习多数为浅层结构,无法实现复杂的文本表述。此外,由于虚假评论不仅仅反映在了评论内容本身,同时也体现在了发表虚假评论的评论者的行为上,因此,单一的从文本内容属性的角度出发,无法完全考虑虚假评论具有的特性,这可能会导致特征的流失,进而影响虚假评论的识别效果。本文使用深度学习框架中的卷积神经网络(Convolution Neural Network,CNN),对虚假评论进行识别。对从大众点评网上获取到的酒店数据进行标注,得到有标签的数据集。随后,对获取到的数据集进行中文分词、去停用词等预处理工作,并使用word2vec工具的Skip-Gram模型得到词向量。在CNN模型的构建上,本文从文本内容特征以及用户行为特征两方面出发,提出了基于二者混合特征的虚假评论识别模型。同时,考虑到了文本的语序因素,本文对传统的卷积神经网络进行了改进,使得卷积神经网络更加适用于虚假评论识别。经实验验证,本文提出的模型在虚假评论识别上取得了较好的效果,可以作为一种有效的虚假信息过滤的研究手段应用于实际工作中。