随着电子商务的飞速发展,线上购物产生的商品评论对消费者选择商品提供了重要的参考价值。然而受利益的驱使,某些商家会雇佣评论者对商品属性进行失实说明,使消费者收到外界对商品质量的错误反馈,进而影响消费者的消费行为。虚假评论能够影响商家口碑,使消费者在商家的选择上具有倾向性。因此不法商家对虚假评论有着迫切需求,从而导致虚假评论日益泛滥,破坏了电子商务市场应该遵循的良性竞争规则。因此虚假评论检测研究已经成为电子商务良性发展过程中极为重要的工作之一。目前研究者通常对评论文本和评论者行为进行分析来检测虚假评论,而很少有人以商户特征、评论者的历史行为以及评论时间为依据分析评论的异常性。因此以往的方法只能检测出隐藏性较低的虚假评论,而对专业的虚假评论者撰写的隐藏性较高的虚假评论检测准确率较低。为解决这些问题,给消费者购物提供更加准确的参考,本文主要进行了以下两方面的工作:(1)提出了一种基于习惯偏差与XGBoost算法的虚假评论检测方法。首先,提出一种改进的情感极性计算算法,并根据位置因素加入本地化情感词,使评论文本情感极性的计算更为精准;其次,提出了商家的异常波动区间概念以及评论用户习惯偏差指标并融合多维重要特征得到评论-评论者-商户特征模型;最终,结合XGBoost算法对虚假评论进行检测。通过实验证明,本方法能够对虚假评论进行有效检测,为消费者提供更有效的指导信息。(2)提出了一种基于主题模型和评论者异常度的虚假评论检测方法。该方法根据评论特点把虚假评论分为内容型虚假评论以及欺骗型虚假评论两种类型。首先对实验数据集进行LDA主题建模,从而检测出主题不相符的内容型虚假评论;然后通过评论者异常度指标检测欺骗型虚假评论,该方法根据不同的特征以及特征权重为每个评论分配一个分数,最后结合基于异常时期与评论者相似度的自适应权重计算得到该评论得分,得分高的评论被认为是虚假评论,得分低的评论是真实评论。该方法避免了大量的计算,实验证明,该方法能够得到较高的Precision、Recall和F值,是一种有效的检测方法。