随着电子商务平台的发展,越来越多的消费者将商品评论作为消费参考,随之出现的是以牟利为目的的刷单现象。因此,如何高效准确的识别虚假交易成为一大研究课题。本文从虚假交易数据入手,分两方面建模,对基于深度神经网络模型进行特征表示与分类进行研究,旨在解决虚假交易的识别问题。在通过文本特征分类时,构建基于Bi-LSTM+Attention的文本内容识别算法。将文本内容进行数据清洗、分词、Word Embedding等步骤,输入Bi-LSTM提取特征向量,利用Attention机制求得权重并对特征向量进行更新,通过全连接层和softmax函数进行分类。Bi-LSTM解决文本数据长距离依赖,更全面的考虑上下文信息。Attention机制通过加权重识别关键特征,从而优化文本特征向量。在通过属性特征分类时,构建基于CNN的属性特征识别算法。将离散型行为属性预处理并进行Embedding操作。对行为特征进行优化设计,原始数据嵌入表示以提高模型的准确性。利用CNN网络结构的卷积、池化等操作进行特征提取。通过构造分类器进行分类。卷积神经网络CNN进行局部平行特征提取能更好地组合特征,自动高效且避免了人工提取特征的主观性和局限性。融合行为与文本特征的虚假交易识别模型,对文本和属性分别进行特征提取之后,获得两部分特征向量,利用连接函数对其进行拼接,得到同时包含文本和行为两部分特征的联合特征向量,对比不同分类器选取最优分类效果。相比于单独针对评论文本的识别算法,以及传统普通机器学习等其他识别方法,对原始数据特征使用更全面,能更准确的识别虚假交易。通过python实现算法,采用网络上公开的权威数据集对分类模型单独进行验证;利用爬虫技术从淘宝平台上爬取真实交易数据进行虚假交易识别验证;通过调参训练模型,同时尝试不同的分类算法以选取最优分类效果。对比同类算法,实验表明,本文算法的准确率及召回率均优于同类算法。本文有关于虚假交易识别的研究结果,验证了本文所构建模型的合理性,以及对应提出算法的有效性,为虚假交易识别的研究提供了有效的研究识别方法。