El comportamiento de compra de los consumidores depende cada vez más de las reseñas en línea. En consecuencia, hay cada vez más reseñas engañosas que son perjudiciales para los clientes. Los métodos existentes para detectar reseñas de spam consideran principalmente el problema como una tarea general de clasificación de texto, pero ignoran las características importantes de las reseñas de spam. En este artículo, proponemos un modelo novedoso que divide una reseña en tres partes: la primera oración, el contexto medio y la última oración, basado en el descubrimiento de que la primera y la última oración expresan una emoción más fuerte que el contexto medio. Luego, el modelo utiliza cuatro modelos independientes de memoria a largo y corto plazo bidireccionales (LSTM) para codificar el principio, el medio, el final de una reseña y la reseña completa en cuatro representaciones documentales. Después de eso, las cuatro representaciones se integran en una representación documental mediante una capa de mecanismo de autoatención y una capa de mecanismo de atención. Basado en tres conjuntos de datos de dominio, los resultados de los experimentos en dominio y de dominio mixto muestran que nuestro método propuesto tiene un mejor rendimiento que los métodos comparados.