随着各种网络通信技术的快速发展,互联网的影响力正日益改变着人们的生活,大众消费模式逐渐由“线下”向“线上”转变,网络购物因其方便、快捷等特点逐渐成为人们消费的首要选择。通常,用户在做出购买决策前,会参考其他用户对目标商品或服务的评论做出相应判断。在线评论蕴含着丰富的观点信息,对评论使用群体具有重要利用价值,真实可信的评论能帮助消费者做出正确的消费决定,同时也是商业群体获取用户真正需求与反馈的重要途径,因此对在线评论的可信度进行衡量,识别并过滤虚假的评论信息具有重要的意义。本文围绕虚假评论识别,对其识别框架、技术方法等进行分析总结,针对当前研究在特征提取及融合、标注数据集缺失方面存在的主要问题,提出使用多视图学习的方法进行解决。本文的主要研究内容如下:1.针对标记样本数量有限的问题,提出使用半监督协同训练算法进行识别,以降低人工标注的工作量。从评论文本及评论行为两个视图构建特征集,利用主成分分析提取特征后,针对各视图特点挑选基分类器,最后将对分类结果影响较大的主要成分递交分类器进行协同训练,实验结果证明了协同训练算法能充分利用未标记样本辅助模型训练,一定程度地弥补因标注样本不足带来的局限性。2.结合以往研究中的常用特征指标,通过分析虚假评论与真实评论的不同表现形式,细化评论文本、评论行为两个视图维度,构建了一个较完整的评论可信度评价指标体系。针对以往研究中将不同视图特征直接首尾拼接组合成为新特征所带来的特征冗余、高维度等问题,提出利用典型相关分析将各视图特征投影到共享的低维子空间后,再采用两种不同的特征融合策略进行组合,最后通过对比实验证明了所选特征与所提方法的有效性。3.考虑到协同训练初始阶段基分类器的分类性能较弱,可能将错误标记的噪声样本加入训练集中,随着训练不断迭代,这种错误会逐渐累积进而影响模型的最终分类性能。针对此问题,结合一种样本标记相似度策略对样本置信度进一步评估,以减少噪声样本被引入的情况,实验结果显示,结合标记相似度进行样本挑选的协同训练算法较经典的协同训练算法在整体分类准确率、F1等指标上均有所提高。