随着互联网时代Web2.0技术的快速发展,网络用户可以自主的创造评论内容,其中包含非常丰富的关于网络产品的信息。不幸的是,由于利益关系,某些商家或个人发布了具有欺骗性的(虚假评论)评论以美化自身或贬低竞争对手,这些行为也对潜在客户的消费倾向产生了误导。由于网络评论具有强烈的领域相关性,不同的评论领域不光评论文本有很大区别,甚至评论行为也有很大不同。故针对不同领域的虚假评论,必须使用不同的检测方法。本文将网络评论分为针对产品的评论和针对店铺的评论。由于针对店铺类评论虚假性检测的方法较少,因而,分析店铺类虚假评论的特点,设计有效的检测方法是一个重要的研究课题。本文提出了一种基于集成学习的店铺类虚假评论检测方法。该方法总共有三个阶段,第一个阶段利用有标注的Yelp.com网站针对旅店、饭店的点评数据,做特征工程。本文将有关店铺类评论的特征分为两类,行为特征和文本特征,然后对特征做有效性分析。第二阶段,对数据集分别用交叉校验法和下采样的方法采样,构造训练集和测试集。第三阶段,分别使用集成学习中的随机森林和LightBGM算法与传统机器学习的决策树、K近邻和基于高斯分布的朴素贝叶斯算法对其评论做有监督的虚假性检测,通过调整参数得出最优的精度和召回率,并对两种方法作比较。实验结果表明,集成学习与传统的机器学习算法相对比,具有较高的精度,对店铺类虚假评论检测有重要意义。