1.一種基于雙循環圖的虛假評論檢測方法，其特征在于，包括：(1)采用原始圖過濾器計算原始評論數據的評論置信度和用戶置信度，并對用戶置信度進行篩選獲得可靠用戶，其中，評論置信度和用戶置信度的計算為：評論置信度的計算：評論v的置信度記為H(v)，取值范圍為(-1,1)，其計算公式為：H(v)＝|R(Γ
v)|A
n(v,Δt) (1)其中，A
n(v,Δt)表示在Δt時間內n條評論的評論一致性，Γ
v為評論v對應商店的id，R(Γ
v)表示評論v所評論商店的置信度；用戶r的評論置信度H
r為：
![]()
其中，n
r為用戶r的評論數，
![]()
表示用戶r的第i條評論的置信度；用戶置信度的計算：用戶r的置信度記為T(r)，取值范圍為(-1,1)，其計算公式為：
![]()
評論置信度初始值為0，用戶置信度的初始值為1，將原始評論數據中商店和用戶作為橫軸和縱軸，用戶對商店的評分作為元素值，構建矩陣，利用上述公式(1)～(3)計算評論置信度和用戶置信度；對用戶置信度進行篩選獲得可靠用戶包括：將所有用戶置信度以用戶置信度-頻數曲線呈現成用戶置信度頻度分布；以用戶置信度-頻數曲線中靠近用戶置信度最小取值的波谷對應的用戶置信度作為第一個界點P1，以小于該第一個界點P1的所有用戶置信度對應的用戶作為可靠用戶；且以用戶置信度-頻數曲線中靠近用戶置信度最大取值的波谷對應的用戶置信度作為第二個界點P2，以大于該第二個界點P2的所有用戶置信度對應的用戶作為可靠用戶；(2)利用原始圖過濾器計算可靠用戶對應的評論數據的商店置信度；(3)將原始圖過濾器中的評論置信度更新為步驟(1)獲得的評論置信度，利用原始圖過濾器計算原始評論數據的用戶置信度；(4)以步驟(2)獲得的商店置信度和步驟(3)獲得的用戶置信度作為初始值，構建加權圖過濾器；其中，構建的加權圖過濾器為：步驟(2)獲得的商店置信度和步驟(3)獲得的用戶置信度作為初始值；評論置信度H
r計算公式為：
![]()
其中，
![]()
為用戶r的第i條評論的置信度，其計算為：H(v)＝|R(Γ
v)|A
n(v,Δt) (5)其中，A
n(v,Δt)為在Δt時間內n條評論的評論一致性，Γ
v為評論v對應商店的id，R(Γ
v)表示評論v所評論商店的置信度；用戶置信度T(r)計算公式為：
![]()
商店置信度R(s)計算公式為：
![]()
其中，
![]()
Times(τ
r，τ
max)為衡量用戶影響力的權重函數，其計算公式為：
![]()
其中，τ
r為用戶r對商店s的評論次數，τ
max為對商店s進行評論的所有用戶中最大評論次數，Ψ
v表示用戶對商店的具體評分，μ為用于衡量評分的積極性或消極性的閾值參數，T(K
v)表示發表評論v的用戶K
v的置信度；(5)利用加權圖過濾器計算原始評論數據的商店置信度、用戶置信度和評論置信度，根據評論置信度篩選獲得虛假評論。2.如權利要求1所述的基于雙循環圖的虛假評論檢測方法，其特征在于，所述A
n(v,Δt)的計算為：
![]()
![]()
其中，T(K
i)表示相似集S
v,a內用戶置信度，T(K
j)表示非相似集S
v,d內用戶置信度，對相似集S
v,a與非相似集S
v,d的劃分有如下定義：
![]()
S
v,a＝{i||Ψ
i-Ψ
j|<δ} (12)S
v,d＝S
v\S
v,a (13)其中，S
v為時間Δt內商店的所有評論集合， Γ
i表示評論id，|Ψ
i-Ψ
j|表示一條打分信息Ψ
i與周圍的打分分值Ψ
j相差小于δ時被劃分為相似集S
v,a，否則被劃分為非相似集S
v,d，δ設置為1。3.如權利要求1所述的基于雙循環圖的虛假評論檢測方法，其特征在于，步驟(2)中，商店置信度初始值設為1，將可靠用戶對應的評論數據按照以下公式計算商店置信度：
![]()
其中，R(s)表示商店s的置信度，
![]()
U
s表示訪問商店s的用戶集合，Ψ
v表示用戶對商店的具體評分，μ為用于衡量評分的積極性或消極性的閾值參數，T(K
v)表示發表評論v的用戶K
v的置信度。4.如權利要求1所述的基于雙循環圖的虛假評論檢測方法，其特征在于，A
n(v,Δt)的計算公式為：
![]()
![]()
其中，T(K
i)表示相似集S
v,a內用戶置信度，T(K
j)表示非相似集S
v,d內用戶置信度，對相似集S
v,a與非相似集S
v,d的劃分有如下定義：
![]()
S
v,a1＝{i||Ψ
i-Ψ
j|<δ} (18)其中，|Ψ
i-Ψ
j|表示一條打分信息Ψ
i與周圍的打分分值Ψ
j的評分偏差，δ為評分相似閾值；如果評分為4分的用戶數大于評分為2分的用戶數時：S
v,a2＝{i|Ψ
i＝5} (19)如果評分為4分的用戶數小于評分為2分的用戶數時：S
v,a2＝{i|Ψ
i＝1} (20)則：S
v,a＝S
v,a1∪S
v,a2 (21)S
v,d＝S
v\S
v,a (22)。5.如權利要求1或3 所述的基于雙循環圖的虛假評論檢測方法，其特征在于，閾值參數μ的取值為3。6.如權利要求1所述的基于雙循環圖的虛假評論檢測方法，其特征在于，步驟(5)中：首先，利用加權圖過濾器計算原始評論數據的商店置信度、用戶置信度和評論置信度；然后，對商店置信度、用戶置信度和評論置信度分別進行排序；最后，篩選排序靠后的一部分評論置信度對應的評論作為虛假評論。
