网络虚假评论检测研究旨在从海量互联网评论数据中识别水军发布的虚假评论,是自然语言处理领域的重点研究课题之一。现有方法主要利用文本特征和用户行为信息实现虚假评论检测,取得了较大的进展,但仍存在诸多挑战如:以往的方法在文本特征提取过程中,难以关注到文本中的关键词语义信息;现有的模型存在训练效率低且分类精度不足的问题;已有的方法未考虑水军评论的群体共性特征,导致模型性能受限。针对以上问题,本文进行了如下三个方面的工作:（1）针对现有方法忽视了不同单词在虚假评论检测任务中具有不同的重要性,本文提出一种融合注意力机制的虚假评论检测方法。该方法首先利用双向循环神经网络学习评论词的语义信息,获取带有全局信息的文本特征表示,同时引入注意力机制对关键特征权重进行更新,最后通过一层胶囊神经网络学习完整评论文本的特征表示用于虚假评论检测。实验结果表明,该模型相对于基准模型在Hotel领域的F1值和Accuracy分别提升了6.7%、2.1%,Restaurant领域分别提升了3.5%、1.8%。（2）针对现有模型存在内存消耗大,训练时间长,且分类时难以支持类别特征等问题。本文提出一种基于Light GBM的集成分类虚假评论检测模型。该方法融合了文本特征和用户交互行为特征来构造整体评论特征表示,并输入到基于Light GBM的集成分类模型,实现浮点特征离散化进行分类预测,极大提升了模型效率,使训练速度提升近10倍,内存消耗降为基准的1/8;同时采用带深度限制的leave-wise生长策略实现叶子节点增益最大化,实现分类精度进一步提升。实验结果表明,该模型相对于基准模型在Hotel领域F1值和Accuracy分别提升1.8%、0.4%,Restaurant领域分别提升0.8%、0.5%。（3）针对现有方法未充分考虑水军群体性特征对虚假评论检测任务的影响,本文提出一种融合群体性用户行为特征的虚假评论检测模型。该方法在离散用户行为特征基础上,引入共同评论数、频繁项集和水军群组等群体共性指标构造群体行为特征,增强用户行为特征表示,并结合文本特征获得整体评论表示向量,输入集成分类模型得到分类标签。实验结果表明,融合群体共性特征的评论表示具有更好的分类检测结果。相对于基准模型在Hotel领域F1值和Accuracy分别提升了1.2%、1.0%,Restaurant领域分别提升2.1%、1.1%。