随着电子商务的发展,越来越多的个人和商业组织开始阅读和参考在线评论来做出购买决策。积极的评论可以为企业和个人带来显著的经济收益和名声,这为虚假评论的产生提供了强大的动力。在过去几年中,虚假评论的问题已经变得极为普遍,因此虚假评论检测是一个紧迫而且重要的话题,它对于确保网络平台上信息的可信度至关重要。基于此,本文进行了如下两项任务:1)针对虚假评论识别任务中传统离散模型难以捕捉到整个评论文本的全局语义信息问题,提出了一种基于层次注意力机制的神经网络模型。首先,实验地探讨了不同神经网络结构对评论文本的篇章结构建模,即哪种神经网络模型能够获得最好的篇章表示;然后,基于用户视图和产品视图的两种注意力机制对评论文本进行建模,用户视图关注评论文本中用户的偏好,而产品视图关注评论文本中产品的特征;最后,将两个视图学习的评论表示拼接,作为预测虚假评论的最终表示。以准确率Accuracy作为评估指标,在Yelp数据集上做实验。结果表明,所提出的层次注意力机制的神经网络模型表现最好,其准确率超出了传统离散模型和现有的神经网络基准模型1至4个百分点。因此,所提方法能够获得更优性能。2)针对跨领域虚假评论识别性能不佳问题,提出了一种基于对抗训练的跨领域的虚假评论识别模型。首先,基于三个领域(hotel、restaurant和doctor)的混合数据集,采用不同的机器学习模型对评论文本进行建模,验证所提模型的有效性;其次,分别基于每个领域的数据集,进行了跨领域的虚假识别研究,即用其中一个领域的数据训练模型,验证在其他两个领域上的分类性能。具体地,首先在输入词向量上产生扰动,然后将其输入LSTM模型进行对抗训练,最后输出一个最终预测。结果表明,所提模型在三个领域的混合数据集的结果超出了之前的模型,且在跨领域的虚假评论任务上具有更好的泛化能力。