目前在电商平台中虚假评论行为正由个体行为逐渐转变为群体行为,群体行为是由一组用户通过相互协作的方式对目标产品进行虚假评论。相比个体行为,群体行为具有更高的破坏性,会对电商平台造成更大的危害。而当前针对虚假评论群组的检测方法主要是采用基于频繁项挖掘的方法,但是只能检测出紧密耦合群组;或者是采用基于评论结构检测方法,但是只能提取出直接关联特征,在提取间接关联特征上能力有限,从而导致检测精度不足。本文针对已有的虚假评论群组检测方法检测精度不足且不能提取更为准确的间接关联特征问题,进行了一些有效的研究。首先,为了解决已有的虚假评论群组检测方法由于缺少对用户间接关联特征的提取,从而导致检测精准度下降的问题。本文对异构图嵌入进行研究来检测虚假评论群组。该方法先根据评论关联性,构建用户产品关系异构图;构图后,利用异构图嵌入网络表示学习技术,学习用户产品关系异构图中的每个用户节点的评论特征,挖掘出用户之间的间接关联性,并根据每个用户的评论特征生成评论特征向量;生成向量后,使用聚类算法对每个用户的评论特征向量进行聚类,将评论特征较为接近的用户划分到同一个团体,从而生成候选群组;在生成候选群组后,利用虚假评论群组独有特征生成对应的检测指标来识别候选群组,完成对虚假评论群组的检测。其次,传统基于评论行为的虚假评论群组检测方法由于需要对评论数据进行频繁项挖掘。所以,该类方法对检测数据集有一定的紧密度要求。从而,该类方法对普通真实数据集检测只能发现紧密耦合群组。因此,该类方法在检测精准度上具有一定的局限性。为了突破这种局限性,本文对异构图分解进行研究。该方法同样根据评论关联构建用户产品关系异构图。构图完成后,对用户关系异构图进行分解,分解出用户关系同构图;并利用同构图嵌入网络表示学习技术,针对每个用户的评论行为生成用户评论特征画像。同时,以用户评论特征画像为依据并利用K-means++聚类算法将评论特征画像较为接近的用户划分到同一个候选群组;生成候选群组后,利用多种虚假评论群组特征生成检测指标来识别候选群组,从而检测出虚假评论群组。最后,为了验证本文提出的方法的有效性,在AMAZON和Yelp NY数据集上进行了实验,并和已有的一些虚假评论群组检测方法进行了对比。