目前,网上购物逐渐成为当代社会主流的购物方式。与此同时,购物平台时时刻刻都在产生大量的商品评论,这些商品的评论成为了消费者是否购买该商品的重要参考依据。然而存在的垃圾评论通常会误导消费者的行为,不仅会扰乱网络购物的秩序,也极大浪费了信息资源。因此,设计一种有效识别垃圾评论的方法是十分必要的。为了提高商品垃圾评论的识别效果,本文提出了一种串联式的混合模型。该模型将残差结构添加到卷积神经网络（Convolutional Neural Networks,CNN）,并且将其与双向门控循环单元（Bidirectional Grated Recurrent Unit,BiGRU）加以结合,加入改进后的注意力机制学习重要的信息,利用softmax获得最终的结果。经过对比实验,该模型达到了精确率93.6%、召回率91.1%和1F值0.923的识别效果。与其它几种识别算法相比,本文所提的串联式的混合模型在识别效果上具有更好的优越性。但是,该混合模型识别效率不高,训练时间和测试时间较长。针对要求快速识别的应用场景,在保证较好的垃圾评论识别效果的同时,为进一步提高垃圾评论识别的效率,本文提出了一种并联式的混合神经网络模型。该模型分为上下两个通道,将CNN与Attention组合作为上通道,将BiGRU与Attention组合作为下通道,通过将以上两种通道的输出结果加以融合,利用softmax得到最后的识别结论。经过对比实验,该模型的识别效率与CNN-BiGRU-A模型和Res CNN-BiGRU-A模型相比分别提高了14.6%和24.8%。同时,该模型达到了精确率92.7%、召回率90.6%和1F值0.916的识别效果。虽然该模型的识别效果较本文所提的串联式的混合模型略显劣势,但是并联式的混合神经网络模型在识别效率上具有更好的优越性。本文提出的串联式的识别模型可用于识别效果要求较高且评论量较小的应用场景。并联式的识别模型可用于要求快速识别且评论量巨大的应用场景。