基于神经网络的中文虚假评论识别系统设计与实现

简介：本资源是一套面向本科计算机/人工智能方向学生的毕业设计实战项目，聚焦电商与社交平台中虚假评论识别这一典型NLP应用场景，采用卷积神经网络（CNN）与LSTM混合架构实现高精度判别。压缩包共23个文件，包含6个核心Python源码（如数据预处理、词向量训练、模型构建与预测）、2个Word文档（含系统设计说明与使用手册）、1个H5模型文件、1个CSV标注语料及停用词表等，总大小仅2.9MB，轻量易部署。已有185人学习下载，适合作为课程设计参考、毕设开题原型或NLP入门实践素材。所有代码均经导师指导并严格调试通过，附带完整运行依赖（requirements.txt）与流程说明，涵盖从原始文本清洗、Word2Vec词嵌入、模型训练到结果预测的全流程，结构清晰、注释充分，便于理解神经网络在文本分类任务中的实际落地逻辑。 深夜下单前，你会盯着评论区一条条看吗？你会不会也在想：这条“质量很好，卖家诚信，下次还会再来”到底是真实用户体验，还是刷出来的假话？这其实不是一个人的疑问。电商、外卖、应用商店、影评网站，虚假评论几乎渗透到所有带评价功能的地方。我的本科毕业设计就选了“基于神经网络的虚假评论识别系统”这个方向。目标很直接：用Python实现一个能自动判断一条中文评论是真实还是虚假的系统，训练好模型，再给它包一个可以演示的界面。整个过程中踩了不少坑，也把这些坑变成了现在系统的一部分。这篇文章就把这套系统的完整设计思路、数据准备过程、模型选型逻辑、训练调优细节，以及源码包和使用文档的组织方式，全部梳理出来。觉得“神经网络”四个字不知道从哪儿下手的同学，可以参考一下。

1. 虚假评论识别：到底在识别什么

1.1 虚假评论不是只有“刷单好评”

虚假评论这个词听起来抽象，实际落到数据里形态非常多样。最常见的三种：第一种是水军好评，雇佣账号给商品打五星，内容复制粘贴，或者套用模板，“商家服务态度很好”“物流很快”“质量不错”这种话到处都是；第二种是恶意差评，为了打击同行或者勒索商家，故意编造质量问题；第三种是广告引流，在评论里夹带外链、联系方式、微信号。这三类在文本特征上都有迹可循，但规则方法很难全部覆盖。

做系统之前先把问题定义清楚：我做的分类是二分类，标签就两个，1代表虚假评论，0代表真实评论。有人可能会问，那中立的、模棱两可的评论怎么办？实际处理时我会把这些归为真实评论——如果模型无法判断真假，宁可信其真，因为虚假评论识别系统的核心目标是抓出那些明显可疑、高风险的评论。这个定位直接决定了后面标注策略和评估指标的选取。

1.2 为什么必须上神经网络

传统方案走的是关键词黑名单和情感分析。比如统计一条评论里出现了多少个“绝对”“最”“强烈推荐”这种词，或者用情感词典算一段文本的情感极性。这类方法在2010年前后比较流行，但问题非常明显：水军可以换词、换句式回避黑名单；情感分析只能算出情感倾向，算不出“是否撒谎”。同一个句子改几个词，感情色彩没变，规则就失效了。

神经网络走的是完全不同的一条路：它不需要人工设计特征，而是把评论变成向量，让模型自动学习“虚假评论长什么样”。这个学习过程有点像人看多了假评论之后形成的直觉，只不过模型靠的是统计规律。上下文、句式、用词习惯、与商品描述是否相关，都能被捕捉到。这也是毕设选这个方向的原因——技术上“有得挖”，又不至于深到做不出来。

1.3 这个系统整体做了什么

用一个流程来概括：用户输入一条评论，系统经过预处理，交给已经训练好的神经网络模型，输出两个数字——属于虚假评论的概率和属于真实评论的概率，概率高的一方就是最终判断。为了方便演示，我加了一个简单的Web页面，输入框贴一条评论，点按钮就能看到结果。这套东西拆开看每块都不算难，但合在一起就是一个完整的自然语言处理分类项目。

技术栈上，主体是Python + PyTorch，分词用jieba，Web端用Flask。为什么选PyTorch？毕设阶段社区资料多、代码写起来直观，调试也方便。后面所有内容都是基于这套技术栈展开的。

2. 技术选型：神经网络模型怎么定

2.1 先排除掉“看起来高级但没法落地”的方案

刚开始选型时，很多人第一反应是直接上BERT。BERT效果好，但本科毕设场景要冷静想一下：第一，你需要下载几百MB的预训练模型；第二，训练和推理对GPU有要求，很多同学只有一台普通笔记本；第三，答辩老师一定会问“BERT的原理你知道吗”，如果自己讲不清楚，反而吃力不讨好。所以我一开始就把纯BERT方案排除了。

但这不代表完全不用预训练思想。后面可以做对比实验：用Word2Vec预训练词向量初始化Embedding层，模型参数里就有一部分“预训练成果”，又能给老师讲清楚原理，属于性价比很高的折中。我实际做的时候，Word2Vec用的是gensim训练的中文词向量，训练集就是手上的评论语料，没有额外去下载大型语料，这样既可控又够用。

2.2 BiLSTM+Attention为什么是毕设优选

文本分类的神经模型主流就那几个：TextCNN、LSTM、BiLSTM、BiLSTM+Attention、BERT。TextCNN实现简单，但感受野有限，对长距离依赖抓得不好；LSTM能处理序列，但单向LSTM只能看上文，对“这句话前后矛盾”这类虚假评论特征不敏感；BiLSTM加了反向，能同时看上下文，再叠加一个注意力机制，让模型自动为句子中的每个词分配权重——虚假评论里那些“特别”“非常”“超级”这类情感强化词，往往会被分配更高权重。

我的最终选择是BiLSTM+Attention。原因总结起来就是：效果能打、论文有东西可写、训练时间可控（CPU训练一个epoch大约几分钟），而且对注意力权重的可视化还能作为论文中的亮点展示。这个组合在中文文本分类里已经非常成熟，社区资料多，遇到问题搜得到。网上类似的毕设项目也很多，但大多数只给代码不讲为什么，我在这里把选型逻辑写清楚，就是希望大家不是“背下来”，而是真明白。

2.3 整体架构：数据流怎么走

系统从输入到输出分六个环节：原始评论 → 数据清洗 → 分词 → 词索引序列 → BiLSTM+Attention模型 → 分类输出。每个环节有自己独立的内容，写代码时也是独立的函数和文件。这套分层设计一开始可能觉得多余，但后来发现，只要改一个环节（比如分词换成更好的工具），其他部分不用动，对这个项目迭代帮助非常大。

这个架构也决定了源码包的组织方式。后面第5章会详细展开目录结构，这里先建立一个整体印象：数据环节全部在src/data_clean.py和src/tokenize.py里，模型在src/model.py里，训练、预测、评估各自独立成脚本，Web端单独放一个目录。清晰的分层让整个项目看起来不像是学生作业，更像一个可维护的小系统。

3. 数据准备：直接影响模型上限的环节

3.1 数据来源与标注策略

神经网络是“喂出来”的，数据质量决定模型上限。我的数据集主要来自两部分：一部分是公开的中文电商评论数据集，另一部分是自己手工整理的常见场景评论。把两者合并后，人工标注了一遍，虚假评论标注为1，真实评论标注为0。数据量上，最终保留了一万条左右，其中虚假评论大约占三成。为什么不五五开？因为现实场景中真实评论本来就比虚假评论多，全做成五五开反而是脱离实际。

这里要说一个重要经验：标注一定要有明确标准。比如“价格实惠，物流很快，就是包装有点破损”这种有褒有贬、符合真实体验的，归为真实评论；“卖家态度服务很好，全五星推荐，有需要的加微信xxx”这种夹带联系方式或明显模板化的，归为虚假评论。两个标注人如果标准不统一，后面模型学出来的东西会很乱。我因为是一个人标注，标准自洽性没问题，但如果有条件，两个人标注、不一致的讨论处理，效果会更好。

3.2 清洗流程：少一步都会让模型变傻

清洗是数据处理里最琐碎的环节，但最容易直接影响结果。我的清洗流程大致是：

1. 去除重复评论。水军经常批量复制同一条内容，去重等于直接干掉一批明显样本。
2. 去掉广告和外链。用正则匹配网址、微信号、QQ号等，匹配到就标记为广告类，而不是简单删除。
3. 清洗HTML标签。部分评论是从网页里抓的，包含p、br等标签，用正则或BeautifulSoup去掉。
4. 处理空白和特殊字符。多个空格压缩成一个，繁体转简体。
5. 表情符号处理。中文评论里表情不算多，我选择直接删除；如果带表情的评论多，也可以统一替换成特殊标记词。

清洗完之后还有一个隐藏坑：中英文标点混排。很多评论里既有中文全角标点又有英文半角标点，比如“很好，”和“很好,”其实是同一个意思，分词和特征提取时如果不统一，同一个词会被当成两种形式。我的做法是把半角标点统一转成全角，再统一做正则清洗。这一步看似不起眼，但对后面模型的效果影响比想象中大，第7章还会单独说。

3.3 分词、词表与序列填充

中文不像英文天然按空格分词，必须用分词工具。我用的jieba分词，配置了自定义词典，把“商家”“物流”“客服”等评论常见词加入词典，避免被切得七零八落。词表构建时设置了min_count=2，也就是出现次数少于2次的词直接丢弃；词的个数限制在3万以内，减少向量空间的稀疏度。vocab.json单独保存下来，这个文件在预测阶段必须原样加载，第7章那个经典坑就和它有关。

序列填充是很多人第一次写会踩的坑：不同评论长度不同，神经网络要求输入长度固定。我定了一个最大长度max_len=100，超过100字的评论截断，不足100字的用0补齐。长度怎么定？我先把数据集的评论长度分布统计出来，发现大多数评论在50到120字之间，试了50、80、100、150几个候选，最后选定100。如果长度设太大，训练变慢还容易引入过多填充噪声；太小则丢失信息。这个长度分布统计的环节，建议做毕设的同学一定不要跳过。

4. 模型结构与训练细节

4.1 网络各层的作用和代码骨架

模型结构用PyTorch实现。核心代码如下：

import torch.nn as nn class FakeReviewClassifier(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_dim, num_classes, dropout=0.5): super().__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx=0) self.bilstm = nn.LSTM(embedding_dim, hidden_dim, num_layers=2, batch_first=True, bidirectional=True, dropout=dropout) self.word_fc = nn.Linear(hidden_dim * 2, hidden_dim * 2) self.fc = nn.Linear(hidden_dim * 2, num_classes) self.dropout = nn.Dropout(dropout) def forward(self, x): emb = self.embedding(x) # [batch, seq_len, embedding_dim] out, _ = self.bilstm(emb) # [batch, seq_len, hidden*2] attn_weights = torch.softmax(self.word_fc(out), dim=1) context = (out * attn_weights).sum(dim=1) # [batch, hidden*2] output = self.fc(self.dropout(context)) # [batch, num_classes] return output

简单说，Embedding层拿到的是每个词的索引，输出稠密词向量；BiLSTM读入整句，每个位置输出正向和反向拼接后的向量；Attention为每个位置的向量打分，做加权求和，得到整句话的向量表示；最后接全连接层和Softmax，输出属于真实评论和虚假评论的概率。这个Attention实现是简化版的加性注意力，用一层全连接直接做打分，效果已经够用。如果要做得更精细，可以尝试双线性注意力，但对毕设来说，简单版本更容易解释清。

4.2 训练参数与调优过程

我用Adam优化器，学习率初始设0.001，权重衰减weight_decay=1e-5。batch_size设64，epoch设30，但实际训练中几乎每轮都触发早停，通常在10到15轮之间就停了。为什么需要早停？因为训练集loss一直在降，但验证集在某个点之后开始回升，这个点就是模型开始过拟合的时刻，再往下训练没有意义。这个现象很多同学第一次跑模型时会看到，不要怀疑是代码写错了，这是过拟合的正常表现。

Dropout在BiLSTM和全连接层都加了0.5。一开始我把Dropout加在Embedding层后，效果并不好，后面调整到BiLSTM输出层和全连接层才明显改善。这个细节，如果大家自己复现时效果不对，可以检查一下Dropout的位置。

学习率衰减我采用ReduceLROnPlateau：当验证集损失连续两轮不下降时，学习率乘以0.5。实际使用中能有效帮助模型在后期更精细地收敛。训练完成后，把验证集上F1最高的那一轮模型权重保存下来，作为最终模型。

4.3 类别不平衡：不要一上来就focal loss

虚假评论与真实评论比例约3:7，并没有严重到离谱，但如果不处理，模型会倾向于把所有评论预测为真实评论，因为这样准确率已经很高了。我的做法是在损失函数里给虚假评论更高的权重，class_weight设为{0: 1.0, 1: 2.5}。这样模型对错误分类的虚假评论会惩罚更重，学习时会更在意那30%的样本。focal loss也试过，效果有改善但不明显，而且为毕设增加了复杂度，最后没有采用。如果做的是更不平衡的数据集（比如1:9甚至1:99），再考虑focal loss会更有必要。

这里想多说一句：很多教程会把类别不平衡说成必须用某种高级手段，但实际工程里，先试class_weight、调整阈值，往往就能解决大部分问题。把简单方法用到极致，比堆砌复杂模型更实用。

5. 源码包结构、使用文档与复现

5.1 源码包整体结构

这个毕设交付时是一个zip压缩包，里面的目录结构如下：

fake-review-system/ ├── data/ │ ├── raw/ # 原始评论数据 │ ├── processed/ # 清洗分词后的数据 │ ├── vocab.json # 词表文件 │ └── label_map.json # 标签映射 ├── src/ │ ├── data_clean.py # 数据清洗 │ ├── tokenize.py # 分词与序列化 │ ├── model.py # 网络结构定义 │ ├── train.py # 训练脚本 │ ├── predict.py # 单条预测脚本 │ └── evaluate.py # 评估脚本 ├── models/ │ └── model_best.pth # 训练好的模型权重 ├── web/ │ └── app.py # Flask演示页面 ├── README.md # 使用文档 └── requirements.txt # 依赖清单

这个结构是做了一个多星期后调整出来的，最初所有代码堆在几个文件里，改动一次要翻半天。后来痛下决心按功能拆开，训练、预测、评估分离，维护起来会轻松很多。这里建议做毕设的同学，从第一天开始就按这个思路组织代码，不要等写了几百行再重构。

5.2 从零复现的完整步骤

拿到zip包后怎么跑起来，我在README里写了非常详细的步骤。这里也放到博客里供参考：

1. 解压zip，进入项目目录。解压时如果提示“不是有效的zip文件”，绝大多数情况不是文件坏了，而是下载过程没完成或者解压工具兼容性问题，可以用7-Zip等工具再试一次。
2. 安装Python 3.8以上版本（推荐3.9），执行pip install -r requirements.txt。
3. 如果只需要用训练好的模型，直接运行python src/predict.py --text "这条评论是..."。
4. 想自己重新训练，先确认data/raw/下有原始数据，运行python src/train.py。训练完成后模型自动保存到models/目录。
5. 启动Web演示界面：python web/app.py，然后浏览器访问http://127.0.0.1:5000。

requirements.txt里的依赖包括：torch、numpy、pandas、jieba、flask、scikit-learn、gensim。版本都做了锁定，避免版本不一致导致运行报错。尤其是torch，CPU版本和GPU版本安装命令不一样，文档里我都标注了。

5.3 使用文档到底该写什么

使用文档是毕设评分的一部分，也是老师最容易翻的内容。我的README文档包含了六个章节：项目简介、环境要求、快速开始、代码结构说明、参数说明、常见问题。特别值得一提的是常见问题章节，我把自己在运行中遇到的高频问题都写了进去，比如“训练时CUDA out of memory怎么办”“预测时提示词表文件找不到怎么办”等。后来同学拿了这份文档自己去跑，几乎所有问题都能自己解决。使用文档的价值不在于字数多，而在于能不能让一个完全没接触过项目的人按步骤独立复现。

写文档的时候有个技巧：一边自己重新走一遍流程，一边记录每一步做了什么、遇到了什么问题。这样写出来的文档不是干巴巴的命令列表，而是真正能帮到人的指南。

6. 评估指标：模型好坏不是靠准确率一个数

6.1 准确率为什么“骗人”

先讲一个典型的误区：训练完模型，第一眼看准确率，95%，很高，觉得很成功。这个数字在类别不平衡的数据下没有太大意义。如果数据里真实评论占70%，虚假评论占30%，一个“无脑预测真实”的规则就能拿到70%的准确率。所以评估必须看每个类别的细分指标，尤其是虚假评论这一类，因为这才是系统的核心价值所在。

6.2 精确率、召回率与F1

对虚假评论识别这个任务，有两个错误方向需要分清：

• 把真实评论判成虚假：误杀，用户正常写个好评被系统标记为水军，体验很差。
• 把虚假评论判成真实：漏判，水军评论混进评论区，系统形同虚设。

精确率关心的是：预测为虚假的里面有多少真的虚假；召回率关心的是：所有虚假评论里有多少被找出来了。两者通常此消彼长，用F1来平衡。最终模型在测试集上的结果大致是：准确率90%左右，虚假评论的F1在0.86到0.89之间，真实评论的F1在0.93左右。对于毕设来说，这个成绩足够支撑一篇论文了。

不同随机种子下结果会有几个百分点的浮动，这很正常。汇报结果时最好跑三次取平均，论文里也这样写，显得严谨。

6.3 可视化混淆矩阵与注意力权重

为了让论文答辩更有说服力，我做了两个可视化。一个是混淆矩阵，用seaborn画出四格表，能直观展示模型在哪类样本上出错。比如我训练集里有些广告引流评论被误判为真实评论，看混淆矩阵就能定位到这类问题。另一个是注意力权重可视化，把评论里的每个词标上深浅不同的颜色，颜色越深表示模型对这个词越“在意”。水军的评论经过可视化后，“特别”“非常”“绝对”这些词往往特别显眼，答辩现场展示这个图，很容易让老师理解模型不是瞎猜。

7. 踩坑记录：这些坑比模型本身更值得写

7.1 模型保存后预测报错：词表不一致

这个问题困扰了我一个下午。训练结束，模型正常保存，换个脚本加载模型做预测，直接报错：索引越界或者unknown token。查了半天原因是：训练时构建的词表在预测时没有正确加载，预测脚本重新走了一遍分词和建词表流程，导致同一句话生成的分词结果和词索引跟训练时完全对不上。解决方法是：把vocab.json作为模型的一部分固定下来，预测脚本必须加载它，不允许重新构建。这个坑其实很经典，但文档里很少写清楚。

7.2 训练loss不下降，问题出在数据

训练第一个epoch，loss下不去，一直在2.3左右徘徊。当时第一反应是学习率太大，调小之后没用；又怀疑是模型结构写错了，对着代码查了半天也没发现逻辑问题。最后一行一行检查数据，发现问题出在label_map：真实评论的标签是0，虚假评论的标签是1，但在DataLoader里标签被错误地加了一个偏移，导致所有标签都变成了1和2，模型根本学不出映射关系。所以训练不收敛时，最先查的应该是数据读取和标签映射，而不是调参。

7.3 来自全角半角标点的隐形干扰

这个坑是在做错误分析时发现的：模型预测错的样本里，有一批评论只是把“好”替换成“好,”（半角逗号），预测结果就变了。原因在于清洗时没有统一标点符号，同一个词因为后面跟的标点不同，分词结果产生差异，模型把它当成了不同语境。后来在清洗流程里加了一步全角半角统一，错误率明显下降。教训是：数据预处理里看起来不起眼的细节，可能比调整模型结构更能提升效果。

7.4 用CPU训练时，epoch时间太长怎么办

并不是所有人都有GPU。我最初在笔记本上跑，一个epoch要十分钟，30个epoch就是五个小时，中途还容易内存溢出。后来做了两件事：第一，把最大序列长度从100降到80，实验发现对最终指标影响很小但速度提高了20%；第二，把训练集随机抽样出一部分做快速验证，确认pipeline没问题后再全量训练。这个思路其实和毕设节奏很匹配：先用小数据跑通流程，再用全量数据跑最终结果。

7.5 答辩老师最爱问的几个问题

这些问题我在实际答辩中基本都被问到了。提前准备好在心里打草稿，回答时不会慌。

• 为什么用BiLSTM+Attention而不是BERT？答：BERT效果好，但训练和推理成本高，毕设场景下BiLSTM+Attention在保证分类效果的同时更容易解释，且预训练词向量同样能引入语义信息。
• 数据是哪来的，标注可信吗？答：公开数据集和自建数据合并，人工按统一标准标注，标注标准在论文中写明。
• 模型是真的在理解语义，还是在高频词上碰运气？答：通过注意力可视化展示模型关注的重点词，通过消融实验（去掉Attention后效果下降）证明其作用。
• 如果实际部署，模型多久需要更新一次？答：评论语言会随时间变化，需要定期用新标注数据微调训练，或引入在线学习机制。

最后补一句个人体会。做这个毕设之前，我对神经网络的认知停留在某个课程作业里用TensorFlow跑过MNIST。真正按“数据—模型—训练—评估—部署”全流程走了一遍之后，才明白那些看起来高大上的系统，拆开之后其实就是一堆基础模块的组合，难点在于把它们串起来，以及在串的过程中发现问题、修掉问题。如果你正在做类似题目，不用急着直接上BERT或者追求SOTA，先把BiLSTM+Attention这套经典管线完整跑通，再去想怎么提升，会稳得多。这个项目里最值钱的东西不只是最终的准确率数字，而是那几次排查错误的经历——它们才是毕业设计真正的学习素材。

本文还有配套的精品资源，点击获取