随着移动互联网时代的到来,App软件行业开始呈现“井喷式”发展,而市场竞争也日益激烈,作为App质量评判之一的评论板块充斥着大量虚假评论,因此亟需有效识别过滤App虚假评论来维护消费者及开放商权益,维持市场合理有序健康发展。本文利用真实场景下国内某款App的用户数据,从统计模型和算法模型两个维度出发,建立多种分类模型并对其进行综合评价,旨在提供一种高效的App虚假评论识别方法。本文的主要工作概述如下:1.App用户数据的预处理。首先对App用户数据进行脱敏化处理,再对脱敏数据进行缺失值处理、异常值处理以及数据变换等清洗操作,形成可供建模分析的有效高质量数据集。2.App用户数据的描述性统计分析。利用密度图、箱线图、散点图以及列联表检验等方法来初步探索App用户数据的特征规律,为后续影响因素分析以及模型建立提供指导依据。3.构建App虚假评论识别的logistics回归模型。首先对数据集进行多重共线性检验,其次利用岭回归和lasso方法修复多重共线性问题,分别建立L1正则化、L2正则化logistics回归模型进行比较,最后利用lasso方法得到变量筛选后的模型系数结果进行App虚假评论识别的影响因素分析。4.构建App虚假评论识别的算法模型。利用支持向量机、随机森林、梯度提升树、BP神经网络等算法模型建立多种App虚假评论识别模型,并使用网格搜索法优化各模型参数,同时利用模型组合的方式将已建立的多种识别模型整合起来,以期相互之间能够取长补短提高整体性能,最后建立综合评价指标体系来分析各模型的优劣,得到梯度提升树模型具有最佳识别性能。本文从用户行为层面着手,将多种分类模型应用于App虚假评论识别研究中,并建立相关评价指标对模型进行比较和优化,旨在为App开发商提供一种有效识别虚假评论的方法,以维护市场经济秩序以及广大消费者权益,具有一定的现实意义与实用性。