移动互联网的飞速发展使人们可以通过移动设备随时进行信息的发布、传递和查看。互联网作为一个共享数据的平台,已经成为人们文化、生活、娱乐的核心部分。线上购物网站、点评网站、社交网站等逐渐成为人们日常消费中常用的消费平台,同时这些网站也鼓励消费者将自己消费时的感受发布在平台上。因此,越来越多的人习惯在消费前参考评论信息。但随之而产生的虚假评论、恶意评论、无关评论等垃圾评论会严重影响人们的判断,也会给消费市场带来诸多不利影响。因此,判断和识别垃圾评论可以为人们消费生活带来很大的帮助。经过研究发现,评论行为特征可以帮助模型对垃圾评论进行判断。对于评论行为的研究,需要观察并总结设计异常行为特征。由此就引出了垃圾评论的冷启动问题。冷启动用户的单条评论不足以代表他的评论行为。因此也需要就垃圾评论冷启动问题进行展开研究。本文融合了评论文本特征和评论行为特征。利用BERT模型生成词向量作为评论文本特征,又提取了四种异常行为特征来代表评论行为特征。另外,本文考虑了垃圾评论的冷启动问题,基于KNN算法来解决冷启动用户缺少行为特征的情况。本文基于引入注意力机制的深度学习Bi-GRU的方法构建垃圾评论的识别模型。通过模型结果对比发现,在支持向量机模型下,基于文本特征和评论行为特征的方法比基于文本特征的方法可以让模型提升11.68%的精确度。对于垃圾评论的冷启动问题,在随机森林模型下,在处理冷启动问题之前,模型的检测效果为85.39%。在解决了冷启动问题后,模型的检测效果为89.46%。最后,模型运行的结果表明,Bi-GRU+Attention模型的准确率达到了93.78%,相比于随机森林和LSTM模型来说,对垃圾评论具有更好的检测效果。