由于网购接触不到商品,所以用户只能从电商平台上了解相关的产品信息,其中评论信息越来越被用户重视。许多商家发现好评能带来巨额回报,差评能让对手亏损甚至倒闭,所以“刷评”行为一直存在。为了防止卖家的恶性竞争、保证电商平台能够公平交易、保护消费者的权益不受侵犯,检测虚假评论一直是个研究热点。本文对虚假评论检测进行深入研究,主要工作分为以下几个方面:首先,针对Word2vec模型无法识别英语中的词对信息进行改进,提出了Bigram-Word2vec模型。该模型首先利用Bigram模型识别英语中的词对信息,在此基础上,对文本信息进行处理以后,再输入到Word2vec模型中训练相关的词向量。其次,由于词对取值个数的不同,Bigram-Word2vec模型训练出来的词向量的质量也不同。为了进一步优化Bigram-Word2vec模型,本文尝试了取多组值用于训练词向量,以寻找最优的词向量。再次,为了解决传统的虚假评论检测领域中使用单一的机器学习模型的问题,本文将异质集成学习领域中的相关知识应用到虚假评论检测领域中。在尝试将多个异质模型进行集成的过程中,针对异质集成学习中硬投票法遇到投票数相同及软投票法中权重如何设置的问题,提出了两种解决方式:二分类加权硬投票法和加权软投票法。最后,本文使用多种文本特征提取方法对亚马逊数据集进行特征提取,再结合多个模型对文本进行分类。为了对分类结果不理想的原因做出解释提出了“词重复率”的概念。同时也在该数据集上验证了本文提出的方法。