针对文本图卷积网络（Text GCN）窗口边权阈值策略不足的问题，为了更精准地挖掘相关的词关联结构、提高预测精度， 提出一种高斯混合模型（GMM）与Text GCN结合的虚假评论识别算法F-Text GCN。首先，利用GMM分离噪声边权分布的特性，提高虚假评论在训练数据上相对正常评论数不足的边信号强度；然后，考虑到信源的多样性，综合文档、词汇和评论以及非文本特征构造邻接矩阵；最后，通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126 086条实际中文评论数据开展实证研究，实验结果表明，F-Text GCN识别虚假评论的F1值达到82.92%，与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%，相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%；研究了高仿虚假评论的预测错误率，在支持向量机（SVM）作用后难识别的评论样本上尝试二次识别，F-Text GCN整体预测准确率可达94.71%，相较于Text GCN和SVM，在识别准确率上分别提升了2.91%和14.54%。研究发现，虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇，这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。
