随着互联网的迅速发展,电子商务平台的出现改变了人们购物、出行、就餐等方方面面的消费方式。阅读评论作为人们从电商平台获得对特定商品信息的重要途径之一,很大程度上会影响阅读者对某一商品的看法,甚至会进一步影响阅读者的行为决策。然而,虚假评论群组通过操控大量电商平台账号或利用返利等各种方式指使个人用户发表虚假评论并从中牟利,极大影响市场的公平性和评论的真实性。随着虚假评论发布模式的迅速发展与变化,针对虚假评论群组的检测研究愈发重要。本文对虚假评论群组检测模式进行了深入研究,分别提出了基于同构和异构信息网的两种虚假评论群组检测算法。基于同构信息网的算法首先通过人工构建用户间的关联特征,设计关联特征规则,然后利用这些关联特征构建以每位用户作为结点的同构用户信息网,再使用聚类方法获取候选群组。基于异构信息网的算法则在构建用户信息网时完整地利用了元数据。异构信息网的多结点类型结构能够最大程度地保留数据集中来自现实世界的语义信息,因此在获取候选群组的过程中能捕获到复杂对象及其关系。本文通过将谱聚类方法分别迁移应用至两种用户信息网络,对同构及异构信息网的关联相似性进行挖掘,获得关联度较高的多个子候选群组,结合现有的虚假评论者和群组特征与本文提出的行为特征对子候选群组进一步分析,发现虚假评论群组。本文基于Yelp数据集完成了同构信息网络及异构信息网络的构建工作。在同构信息网络上利用谱聚类算法,在异构信息网络上通过求解相似矩阵完成谱聚类划分,从而对这两种信息网络进行划分,获得候选群组,实现虚假评论群组检测。本文对虚假评论群组的行为特征进行梳理,提出选用了群组极端评分比、群组重复评论比和群组评分偏差三个虚假评论群组行为特征作为聚类效果评估指标。实验结果验证了本文提出的用户同构信息网络构建方法的可行性,以及本文提出的两种虚假评论群组检测算法的准确性。实验结果也表明本文提出的算法与现有的虚假评论群组检测算法在同一数据集上进行划分比较,效果提升显著。