随着互联网技术的发展以及移动设备的普及,社交网络已经成为用户在线获取以及分享信息最便捷的服务之一。在各类社交网络中,用户评论社交网络,例如Yelp、亚马逊和大众点评等网站,已经成为用户进行信息分享和商品推荐的热门平台,用户可以在这些平台上便捷地发布或获取商户的各类信息以及他人的评价。这些评论信息通常可以为用户带来帮助,并被社交网络推荐给其他用户加以参考,例如大众点评上的优质评论等,然而这些评论的真伪难以确定,其真实性受到女巫（Sybil）攻击的威胁。为了解决虚假评论造成的女巫攻击问题,以往的解决方案可以大致分为用户行为检测以及评论文本检测。前者大多使用间接/直接图模型或用户文件来检测虚假账号,进而确定其发布的评论信息属于虚假信息。然而,这些方法所需要的数据由用户评论社交网络的运营商单独保存,或者依赖于强有力的假设。后者采用自然语言处理算法学习虚假评论的文本特征,可以对已经出现过的虚假评论做到较好的检测效果。然而,虚假评论的迷惑性较大,攻击者经常会对评论内容进行增删和替换以逃避平台的检测,在不同的时间段以及不同类别的商户下往往会有不同的版本出现。而这类检测方法实时性较差,难以识别新出现的虚假评论。这就对现有的女巫攻击检测算法提出了挑战。综上所述,用户评论社交网络中的虚假评论检测主要面临以下三个问题:第一,目前各平台都有一定的评论过滤机制,但是这些谣言检测方法不对外公开,用户无法确定平台推荐的评论是否可信;第二,虚假评论的形式千变万化,对于新出现的虚假评论往往缺乏足够的历史数据,因而难以对其进行判断;第三,而从虚假评价检测任务本身来说,虚假评价越早发现越好,这就要求检测系统能够在较短时间内得出检测结果,或者检测模型拥有较好的泛化能力。针对以上提出的问题,本文从两个角度展开了研究。一方面,本文提出了一种基于用户行为特征的女巫攻击检测模型,通过构建熵值提取并描述用户特征,并与传统的基于行为的特征相结合,设计了一种基于二值分类的女巫攻击检测模型,能够快速检测女巫攻击者;另一方面,本文设计了一种基于生成对抗网络的女巫攻击检测模型。该方法采用文本特征抽取器、虚假评论检测器以及评论类别鉴别器三部分作为该模型的网络结构。模型通过文本特征抽取器提取文本特征并输入虚假评论检测器进行检测;评论类别鉴别器基于每条评论的隐藏信息,不断发现评论文本中包含的与特定类别相关的信息,进而识别出每条评论的类别标签。特征抽取器试图欺骗鉴别器使鉴别损失最大化,鉴别损失越大说明不同类别的区别越不明显,也就意味着学习到的特征是与类别无关的共性特征。特征抽取器和虚假评论鉴别器之间的极大极小博弈构成对抗网络,使得模型最终得到与评论类别无关的虚假评论特征,增强了模型的泛化能力。最后,我们在通过爬虫获取的大众点评数据集上进行验证,通过与其他虚假评论检测方法进行对比,发现我们提出的两种检测模型在同类方法中拥有优势,同时我们还对两类检测方法进行了比较和分析,对比得出两者各自的优缺点,并讨论了未来改进方向。