电子商务网站中大量虚假评论的存在,不仅影响消费者的利益,还会对商家信誉造成伤害,不利于电子商务产业的发展。因此,虚假评论的检测技术对于电子商务的良性发展至关重要。虚假评论检测可视为一个文本二分类问题,核心是依据分类特征训练分类器以区分真实评论和虚假评论。深度学习网络相较于传统神经网络具有更多的隐藏层,在学习过程中,由低到高逐层提取特征,再不断修改、调整神经元之间的权值,从而建立低级特征到高级特征之间的映射。论文主要研究基于深度学习的虚假评论检测方法,并设计了一个基于深度学习的虚假评论检测系统,主要工作如下:(1)基于深度学习提取特征的虚假评论检测。对亚马逊数据集进行构造、清洗后,建立评论内容词向量模型,分别采用卷积神经网络、深度置信网络和LSTM网络对评论内容文本提取深度特征,并结合支持向量分类器进行分类。通过对比传统基于语言模型的特征提取方法,深度学习模型能够有效提取评论内容深度特征,并且LSTM网络相较于卷积神经网络和深度置信网络更适合提取文本特征。(2)基于融合特征的虚假评论检测。为了提高有效特征的利用率,融合深度学习模型提取出的评论内容特征与二进制编码表示的评论行为特征,结合支持向量机进行分类。通过实验对比证明,融合评论行为特征之后进行检测能够进一步提高算法的召回率。(3)为进一步验证论文提出使用深度学习网络提取评论内容特征的有效性和可行性,论文设计实现了基于深度学习的虚假评论检测系统。通过对系统检测内容处理能力以及事件检测正确性等方面进行测试后,验证本文提出的方法能够有效检测虚假评论。