电子商务的发展促使在线评论数量急剧增长,产品评论成为人们购物消费的重要参考指标,但是网络中的虚假评论却在逐年增多,其发布者多为专业的虚假评论用户群。虽然国内外研究者提出了许多用于检测虚假评论和虚假评论者的方法和模型,但是仍存在许多问题,如人工标注数据的准确率低、语言特征失效、检测精确率较低和检测滞后。为了解决以上问题,本文主要研究在线评论网站中虚假评论用户群的检测模型,主要研究内容包含以下两个方面:1.针对人工标注数据的准确率低和语言特征失效的问题,提出一种基于派系过滤的虚假评论用户群离线检测模型,采用完全无监督的方式检测虚假评论用户群。首先,将评论数据构建为评论者网络。其次,在评论者网络中执行派系过滤算法,创新地将检测到的每一个k-派系链视为一个虚假评论用户群。然后,构建基于评论行为的作弊特征,从个人和群组两个维度衡量各个虚假评论用户群的可疑程度,生成群组排序列表。最后,在三个公开数据集上进行对比实验,结果表明本模型的检测精确率和排名质量高于四个对比模型,并且数据集越大,本模型的效果越好。2.针对检测滞后和检测精确率较低的问题,提出一种基于增量派系过滤的虚假评论用户群在线检测模型。首先,基于传统的派系过滤算法检测初始静态评论者网络中的虚假评论用户群,并通过基于行为的作弊特征生成群组排序列表。其次,提出一种增量派系过滤算法,增量式处理网络动态变化,并在线更新排序列表。然后,本模型也提供一种半监督的解决方案,通过结合部分带标记的评论数据来提高检测精确率。最后,在两个公开数据集上进行对比实验,结果表明本模型的运行时间远远短于离线检测模型。虽然检测精确率和排名质量低于离线检测模型,但是只需结合少部分带标记的评论数据,就能使检测精确率和排名质量获得显著提升。