随着信息技术的高速发展，人们对互联网的依赖性越来越高，从一开始的利用互联网查阅资料，发展到现在，互联网的功能越来越多，而近年来，随着电子商务技术的蓬勃发展和物流产业的迅速扩大，网络消费已经迅速渗透到人们生活中的方方面面了。

近几年的天猫双十一活动更是吸引了众多消费者的目光，据统计，2013年的天猫双十一总成交额达到350.18亿元，2014年双11当天天猫的总销售额达到了571亿元，刚刚过去的2016年天猫双十一总交易额超1207亿。如此巨大的用户群与利益，使得淘宝商家动心不已，然而想要从众多淘宝商家中脱颖而出并不是那么容易的事，于是商家们开始在网上雇佣水军或吹捧或诋毁某样商品来达到自己的目的，这一举动衍生出了一种新兴行业——刷单，刷手也就是我们所谓的网络水军。他们会根据商家的要求对某样商品进行浏览下单，然后商家再虚拟发货，等一定的时间收货后刷手就会根据商家要求对商品进行评论，而这些评论往往会对消费者的购买决策产生决定性的影响。

消费者在网上进行购物的时候，往往会先查看该商品的评论情况，更多的好评会使消费者对该商品的购买欲望增强，而更多的差评则会使消费者对该商品的购买欲望减弱。本来电子商务平台中的评论功能，是为了帮助消费者从一个比较公正公开的渠道更好的了解商品的性能和质量等问题，从而能够做出正确的购买决策，然而网络水军的存在使得电子商务平台上充斥着大量的虚假评论，造成的影响也是十分恶劣的。首先对于消费者来说，虚假评论的存在极其容易混淆他们对商品的判断，从而做出错误的购买决策，大大降低了消费者的购物体验并造成了财产上的损失。同时对于商家来说，大量的虚假评论也会影响商家的信誉和影响力，甚至会失去消费者的信任，从而影响产品的销量。

由此可见，如何对这些电子商务平台中海量的交易数据进行有效的分析，从中精确识别出发布虚假评论的用户，剔除他们所发布的虚假评论信息，净化网络环境，对于消费者和商家来说都有着非常重要的现实意义。

在早期的互联网环境下，国内外对网络水军的识别研究主要集中在邮件领域内，之后才慢慢向社交领域发展，而近年来，随着电子商务技术的蓬勃发展，对电子商务领域网络水军的研究也成为了国内外的研究重点。相比较其它领域的网络水军识别方法，电子商务领域的识别工作更为复杂。

张考以电子商务为平台，对虚假评论识别的关键技术进行了深入研究，首先，根据评分分布异常来识别目标商品，其次，构建虚假评论识别模型，并利用树形结构对评论文本的相似性进行度量，最后，提出一种基于动静态特征融合的虚假评论识别算法。

陈燕方和李志宇提出了一种基于评论产品属性情感倾向评估模型（RAPBEE模型），用于在线商品虚假评论的识别。针对在线商品虚假评论，采用评论产品属性情感倾向离群度量方法，结合已有评论效用研究对评论结果进行综合排序，从而得出评论的可信度序列。然后利用模型进行虚假评论的识别。

在Liu B等人的研究中，利用评论的爆发性对虚假评论者进行识别，评论的爆发期就是指在某一时间段内，该产品的评论数量突然急剧增加，很明显与其他时间段的评论数量相差过大，这就很有可能是由于虚假评论者而造成的，利用核密度估计（KDE）找出爆发期内的评论，构建一个马尔科夫随机场模型，再利用循环信念传播算法推导出虚假评论者。最后利用另外一种评估方法对实验结果进行评估，得出利用评论的爆发性对虚假评论者进行识别有着较高的准确率和召回率。

在电子商务领域内，关于虚假评论的识别方法最初是从评分角度来进行识别的。随着语义识别等技术的发展，逐渐过渡到从评论内容来识别虚假评论，然而这种方法所涉及到的内容颇多，识别比较复杂且效果并不准确。于是，又有学者开始从评论者的行为方面对虚假评论者进行识别，但由于人类行为特征的复杂性与多样性，只从两三个方面来考虑太过片面，会对结果的精确性造成很大影响，因此，在研究时，我们必须得从多个方面来进行研究，以保证实验结果的精确度和有效性。

2. 研究的基本内容与方案

（1）基本内容