一、问题现象项目最初训练虚假评论检测模型时发现许多真实差评被判断为虚假评论。模型表面上能给出结果但结果不符合业务常识。二、根因分析检查原始数据后发现真实评论样本大量是好评而虚假评论样本也大量是好评。模型很容易学到错误规则负面表达 ≈ 虚假评论真正应该学习的是异常短文本、重复模板、批量化表达等可疑特征。这说明模型错误不一定来自网络结构也可能来自标签定义和数据分布。三、数据集迭代v1原始版本真实类和虚假类都偏向好评模型很难区分真实性和情感极性。v2加入真实差评向真实类加入真实差评减少“负面就是虚假”的偏差但模型仍可能把详细好评误判为虚假。v3重新定义样本最终版本中真实类包含原始真实评论和真实差评虚假类重点保留异常短评、纯标点、重复模板等样本真/假样本比例调整到相对平衡。四、为什么不能只靠调参解决如果训练标签本身表达了错误目标那么换 BERT、加层数、调学习率都只能改变学习过程不能改变错误监督信号。正确顺序应该是观察错误 - 检查样本 - 分析标签 - 重建数据 - 重新训练 - 重新评估五、效果验证当前资料显示详细好评误判现象明显下降典型样本测试达到 11/12 正确。BERT v3 测试 Accuracy 约 89.35%Macro-F1 约 78.59%。跨品类测试整体约 73.8% Accuracy说明域外泛化仍然存在挑战。六、仍然存在的风险“虚假评论”本身是一个需要业务定义的概念。仅凭文本判断真实性存在局限真实系统最好结合用户行为评论时间设备和账号关系商品和订单信息文本重复度人工审核结果。因此文本模型更适合作为风险筛查器而不是单独作为最终处罚依据。七、总结这次问题排查最大的经验是当模型学到的规律违反业务常识时先检查数据和标签再考虑模型结构。