在处理海量的商品评论中,虚假评论的检测始终是维护网络环境健康发展不可或缺的工作。尽管先前的虚假评论检测工作取得了很大进展,但由于欺骗性评论的隐藏性和多样性的特点,欺骗性评论的检测依然很困难。针对这一问题,本文提出了一种基于语义分析和PU learning的虚假评论检测模型。不同于先前的工作,为提高欺骗性评论的检测效率,本文创新的提出利用评论间情感强度的不同,通过情感计算来划分改变虚假评论所在数据集,使得原本具有隐藏性的欺骗性评论在新的数据集环境中充分被显示出来。本文主要工作如下:（1）针对情感计算中基础情感词典与虚假评论文本信息元素不匹配的问题,构建了基于情感词典的商品评论文本情感计算模型。首先,利用TF-IDF提取具有代表性的候选种子词。然后对得到的候选种子词进行K-means+聚类再次筛选,以确保得到的种子词集代表性。接着,利用标签传播算法对种子词集进行扩充,完成虚假评论领域情感词典的构建。结合转折词词典、程度副词词典和否定词词典共同组建虚假评论检测领域的情感词库。最后,基于构建的情感词库,依据一般句子的规律制定了多种情感计算规则,完成虚假评论文本的情感计算。（2）针对欺骗性虚假评论难以检测的问题,构建了基于情感强度和PU learning的虚假评论检测模型。首先,基于构建的评论文本情感计算模型,计算出给定产品评论的情感值,根据情感值将评论划分为强情感和弱情感两个子集。然后,在子数据集中分别利用随机策略选择少量的可靠正例,利用SPY技术提取少量可靠负例。最后,基于提取的正例和负例样本,构建PU learning算法的虚假评论检测模型。实验结果表明,构建的情感词库的构建和多种情感计算规则的制定,能够更好的匹配情感词,完成评论文本的情感计算。半监督的PU算法依据少量的标注数据集就能很好的完成模型的训练。情感强度的引入不仅使得模型获得较高的虚假评论检测的准确率,而且在欺骗性评论的检测试验中也获得了更好的试验结果。本文的研究可以有效的检测出给定产品领域的虚假评论,以维护电商市场环境的公平,排除虚假评论以帮助用户更好的了解产品信息的真实性,从而做出正确的购买决定。图[21]表[23]参[73]