在线评论影响消费者决策、平台治理和企业声誉。假评论通过向评分系统、推荐管道和公共信任机制注入欺骗信息，破坏了这一信息渠道。大语言模型（LLM）的兴起在两个方向上改变了该问题：LLM 能生成流畅且上下文相关的欺骗性评论，同时预训练语言模型（PLM）和 LLM 为检测提供了更强的语义表征。
本综述从信息融合视角审视假评论检测，覆盖 2018 至 2026 年初的 211 项研究。我们按证据来源和融合层级组织工作，涉及评论文本、情感倾向、评分行为、时间元数据、用户‑商品图、多模态内容、外部知识以及 LLM 生成信号。
发展脉络从传统机器学习、深度学习逐步转向基于 PLM 和 LLM 的方法，重点考察文本、行为、结构和多模态证据的组合方式。我们还对 Amazon、Yelp、OpSpam 等主流基准的性能趋势进行分析，指出不同标签构建、数据划分和评估协议带来的局限。
最后，本文列出若干开放问题：对抗生成的防御、跨域迁移的鲁棒性、不确定性感知的融合、缺失源的容错、可解释性提升以及针对 AI 生成欺骗内容的可信评估。
点评