随着互联网的迅速发展,网上购物以其方便快捷的优势代替了实体店购物,已成为时下最流行的消费方式。出于谋利的目的,电商平台中出现越来越多的虚假评论,这在一定程度上误导消费者的购买趋向,致使消费者买到的商品与描述不符,逐渐丧失对电商平台的信任。为了净化电商环境,研究学者通过提取评论文本和评论者的各项特征并利用传统分类器进行虚假评论检测,虽然这类方法取得了一定的成果,但是提取特征的过程中依赖于专家知识,而且没有考虑相关产品的特征,不具有广泛应用性。虚假评论一般会比真实评论使用更多情感词描述目标产品的特征,针对不同的目标产品,虚假评论者会对不同的特征进行描述,为了使得检测方法适用于不同领域,本文利用产品的相关特征,结合深度学习方法提出了两种虚假评论检测模型。第一种是融合产品相关特征的虚假评论检测方法,该方法将产品相关特征与评论文本组合,以此作为输入来训练卷积神经网络模型实现虚假评论检测,最后将该算法与两个有效的传统分类器组合,降低了过拟合问题,提高检测准确率。第二种是基于FastText的虚假评论检测方法,该方法首先使用语料库训练Word2Vec模型,基于该模型扩充了产品特征词汇集,并建立文本向量,经过卷积层、池化层提取特征后,利用FastText实现分类,解决了产品评论数据集存在的类别不均衡问题,同时提高了模型的训练速度。为了验证算法的有效性,利用Python语言爬取了亚马逊网站的商品评论数据集,并基于该数据集分别针对上述两种算法设计了多组对比实验。实验结果表明,算法一利用产品相关特征有助于提高虚假评论检测的准确度,使用模型组合的方式可以降低过拟合问题。算法二训练Word2Vec进行文本建模能够更好地表示文本的深层语义,使用FastText分类能够解决类别不均衡的问题,提高准确度,同时缩短模型在数据量较大情况下的训练时间。