电子商务体系的不断发展和完善,使人们的消费形式也逐渐发生了变化。以往的消费模式已经无法满足人们的需求,进而转变为在线消费。在线评论作为消费者获取商品信息的重要来源,越来越受消费者的重视,同时也有研究表明在线评论的数量及好评率对消费者的购物意愿会产生较大影响。受利益的驱使,越来越多的商家选择雇佣网络水军进行刷单行为,增加商品的评论量和好评率,进而达到提高商品的曝光率和购买量的目的。这样的行为不仅刻意的误导了消费者,影响消费者的购物体验,还对电子商务的整个环境造成影响,不利于其长期发展。因此,有效识别虚假评论的研究刻不容缓。针对虚假评论的识别问题,现有的国内外文献研究多基于国外的点评网站,且数据集正负样本均衡,但这并不契合真实评论数据集样本不平衡的问题,且有效的提取出评论文本信息的特征一直是一个难题。本文将基于国内的点评网站——大众点评网,选用店铺完整的实际评论数据,利用评论文本信息和评论者的行为信息,运用多卷积神经网络等方法提取出多维特征,建立机器学习模型进行虚假评论的识别。本文的主要研究内容如下:（1）基于SMOTE过采样虚假评论的识别。通过提取文本评论的N-gram,词汇等特征,以及评论者的相应行为特征,验证SMOTE过采样对虚假评论的识别的有效性,以解决现实虚假评论的样本不均衡问题。（2）基于多卷积神经网络对虚假评论的识别。特征提取方面分为两部分进行操作。对于评论文本内容的特征提取,首先利用LDA和word2vec将文本词向量化,再分别利用卷积神经网络对特征进行提取;对于评论者行为特征的提取,也利用卷积神经网络进行重组和筛选。最后结合以上三部分特征,输入到分类器中进行识别。（3）基于多卷积神经网络及SMOTE过采样对虚假评论的识别。该方法是基于以上两种方法。首先利用多卷积网络对特征进行提取后,再利用SMOTE过采样对不平衡样本进行处理,最后使用分类器进行分类操作,进一步提高模型的准确率。本文的研究结果表明,基于多卷积神经网络与SMOTE过采样的算法,对于不均衡评论数据集中虚假评论的识别具有较好的效果。