在经济环境的影响下,某些商家受到利益驱使会雇佣大量人员操纵自己的用户账号对其产品进行虚假评论,以此来蒙蔽用户。目前虚假评论问题仍然是一个难以解决的重点问题。本文针对该问题,提出从无监督学习和有监督学习两种方法入手,进一步挖掘评论数据中的虚假评论以及相应的欺诈活动。在无监督学习中,本文提出一种使用马尔可夫随机场建模的评论欺诈在线检测框架——FraudMRF模型。该模型以在线的方式来检测虚假评论及虚假评论人(用户),通过搭建可临时建立的轻量型二部图网络结构,来描述评论人和产品之间的关系。FraudMRF利用这个临时评论网络的传播效应,并融入在线实时先验,及时捕获虚假评论人。而在有监督学习中,本文提出基于动态规划算法实时挖掘异常评论序列并传给跳跃链式条件随机场(skip-chain CRFs)标注其作弊性的在线检测框架——FraudGuard。该算法从每一个产品的角度出发,实时跟踪每个产品的在线评论序列数据流。FraudGuard是改进动态规划算法——最大子段和问题,以在线的方式递归的寻找异常评论子序列。而后将到达截止日期的异常评论子序列,以序列为单位计算在线特征并交给条件随机场。从而对异常评论子序列进行标注,挖掘欺诈活动。最终实验结果表明,FraudMRF框架与其相似模型的离线算法相比较,模型在Top2000评论的平均精度上提高了14-38%。而FraudGuard框架与其他无网络结构类型的分类器相比较,在F1分值上,大部分高于其他分类器10%左右。并且与目前类似的框架相比较,在检测目标上更为具体。