随着互联网的迅猛发展,电子商务迅速崛起。淘宝、京东、大众点评网等电子商务网站成为人们身边不可或缺的生活帮手,而参考已购买者对商品的在线评价已成为购买商品前必走的流程。客观公正的评价能够引导消费者做出理性的决定,为商家带来经济效益,而不真实、肆意夸大或诋毁商品的评价,不仅给消费者带来了困扰、抬高或损害商家的利益,也污染了整个电子商务的环境。因此,异常评价识别,即发现用户评价数据中存在的恶意评价行为,就显得尤为重要。本文从电子商务背景下用户评价数据出发,首先给出异常评价的定义,通过提取异常评价的特征,利用贝叶斯网这一传统的概率图模型,构建了反应用户异常评价行为的贝叶斯网隐变量模型,进而基于概率推理机制,完成异常评价识别过程,有利于我们得到更为真实的评价数据,从而得到一个更完备的电子商务环境。具体而言,本文的主要工作如下:(1)针对用户在评论过程中评价数据不真实、评价内容过于主观、商店购买销量、评价等现象,我们选取并定义了具有代表性的异常评价的四个特征——用户评分与实际偏离较多、用户账号异常、商店特征、情感密度。(2)为了进行异常评价识别,本文定义了包含隐变量的异常评价识别贝叶斯网模型(HSRBN,Hidden variables of Spam Reviews Bayesian Network)。针对 HSRBN 模型结构构建问题,本文采用最大互信息法将隐变量加入到模型中,用BIC评分函数挑选最优的隐变量模型结构,用EM算法对模型进行参数学习。(3)为了量化异常评价,本文采用基于变量消元法的精确推理算法,把异常评价作为查询变量,将异常评价变量后验概率最大时的取值作为评价结果,避免了计算复杂度由于变量个数的增加而成指数增长的状况,节省了运算量。(4)基于爬取的大众点评网数据作为测试数据集,本文对模型构建的效率以及异常识别的有效性进行了测试;同时,设计并实现了“基于隐变量模型的异常评价识别”原型系统,直观展示我们的研究工作。