随着信息时代的飞速发展,电商等数字服务经济加速进入发展的快车道,人们的生活越来越贴近数字化的生活方式,商品或服务的评论也逐渐成为个人用户和商业组织的重要参考,商品或服务正面的积极评论能够为个人或企业带来更高的经济效益和良好的口碑,相反则能沉重打击竞争对手,由此也衍生出发布虚假评论的黑色产业,并且发展十分迅速,因此虚假评论检测是一个重要且急迫的研究课题。基于传统学习方法的虚假评论检测存在特征工程提取类别特征困难,效果不佳的问题,而现有的基于深度学习的虚假评论检测受限于标记数据的匮乏,人工数据标记成本高昂,且人工识别准确率较低,导致训练困难,过拟合现象严重,此外仅从评论文本本身判断评论是否为虚假评论存在一定的偏颇。针对以上问题,本文主要从以下两个方面进行了研究工作:1)为解决虚假评论标记数据集匮乏,对虚假评论进行人工标记困难且准确率较低的问题,提出了融合Transformer的生成对抗网络（GAN）,利用有限的少量标记数据集,以及大量的未标记数据集,训练一个GAN来生成训练中所需要的大量标记数据,以尽可能拟合真实数据的样本空间,避免过拟合,提高模型泛化能力。由于文本的采样不连续,梯度无法反向传播,故在GAN中使用强化学习对生成器进行训练,为了能够更深层次的挖掘文本的语义信息,鉴别器和分类器均采用基于Transformer的网络结构,鉴别器与分类器的分类结果将会组合成为强化学习中的奖励,进而指导生成器进行训练。2)为避免仅从评论文本本身判断评论是否为虚假评论,使分类器能够从更多的维度参考信息进而更为准确的进行分类,本文引入主题信息。首先对输入的样本数据经过编码后在主题方向上进行正交分解,获得评论中平行方向的主题信息和评论中垂直方向的除主题以外的其他信息,随后采用注意力机制,使评论向量分别从平行方向和垂直方向进行注意力匹配,合并后得到融合主题特征的评论表示,增强分类器的分类性能,此外还能帮助生成器生成与主题更为相关的评论,提高生成器的生成质量,而引入的谱归一化则能够使得GAN的训练更加稳定。为验证模型的性能,本文基于少量旅馆标记数据集和大量旅馆未标记数据集设计了多组对比试验。实验结果表明,利用GAN生成大量的标记数据能够显著缓解深度学习中标记数据稀少而产生的过拟合问题,谱归一化则帮助GAN更稳定的训练,而引入主题信息则能够更好的指导分类器进行分类,提高分类性能。