电子商务平台（e-commerce platform）的蓬勃发展导致平台中数据规模呈指数级增长,无论是购买的用户还是上架的商品都会令人眼花缭乱,因此在用户不知道商品的真实质量的情况下,大多数的交易都需要依赖于商品的一个评级分数或者被评价内容,这就导致商品的评级分数或者被评价内容在客户购买决策中扮演越来越重要的角色。虽然新兴的电子商务在线平台给用户带来了方便,但是也滋生了大量虚假和欺诈信息的出现,我们将在电商平台中评分评论过程中编造虚假的用户体验、发表与产品或服务的真实情况不符的评分评价的用户称为恶意用户（Malicious user）。首先在“用户-商品-评分”的电子商务系统中,很多研究者基于用户对商品的评分来构建用户信誉排名系统。这样用户信誉值低的用户即被识别为恶意用户。尽管这样的方法相对可行,但当恶意用户数量达到一个临界值时,这些算法在某些方面就会表现出不够健壮的情况。甚至随着互联网的进一步发展,电子商务系统中并不仅仅只有用户对商品的评分,还有用户对商品的评价内容,这就使得恶意用户的手段越来越高明,恶意用户往往通过与普通用户建立联系去伪装自己,让自己的恶意行为更隐蔽。为了识别出这些更隐蔽的恶意用户,研究者们开始应用图卷积神经网络的方法,通过对用户的行为特征和评分评价内容特征去揭示用户的可疑性,将有反常行为的用户被判定为恶意用户。然而,通常使用的图卷积神经网络只有两层,这使得我们无法获得更高阶节点信息,也无法可以更准确的识别恶意用户。因此,在本文中,我们对于“用户-商品-评分”的网络首先提出了一种基于迭代偏差的用户信誉排名（IDR）方法。它的设计来源于一个普遍的事实,即排名较高的用户通常表现出较小的偏差评分;而影响排名的另一个因素来自用户的评分模式。高质量的评分通常由具有峰值评分模式的用户给出。在四个真实稀疏数据集上,并与三种信誉排名算法进行对比,实验结果表明,该方法的有效性和鲁棒性优于其他方法。其次,针对利用评分评论进行隐藏自己身份的的恶意用户,本文应用图卷积神经网络（GCN）的技术提取用户的特征,这里的特征由我们自己设计:此外,我们还从图卷积神经网络的组成结构探讨使用多层图卷积神经网络（M-GCN）对识别恶意用户的影响。最后,在实际数据集上进行结果对比,提出的方法对恶意用户的识别精度提高了。