基于SMOTE-RF与多维特征向量的在线商品虚假评论识别研究

[研究目的]通过从评论文本和评论者两个维度对在线评论的特征进行挖掘,探究电商平台如何有效提高虚假评论识别的准确性,增加用户在线商品评论可信度,为消费决策提供参考。[研究方法]提出一种基于多维特征和SMOTE-RF模型的虚假评论识别方法。首先,通过识别商品虚假评论线索,构建多维特征向量,引入情感极性等特征并进行单调化处理;其次,在评分偏离度中添加了商品得分均值等统计指标来全面刻画虚假评论;最后,针对在线评论数据集中真实评论与虚假评论类不平衡问题,运用SMOTE算法优化随机森林分类模型,从而达到提高虚假评论识别准确性的目的。[研究结论]实验结果显示该方法在正负样本不平衡的虚假评论识别中具有更高的准确率、召回率及F1值。其中评分偏离度特征对虚假评论识别的影响最大,情感极性可作为识别的次要参考特征。因此,综合考虑在线评论多维特征和正负样本不平衡可帮助电商平台对虚假评论进行有效的过滤,为消费者提供更为可靠的评论数据。

LSTM多模态虚假评论检测

在线评论作为重要的用户反馈和产品推荐渠道,其真实性和可信度至关重要。但是,虚假评论的存在严重影响在线评论的可信度。本文针对在线评论数据集中的多模态融合问题与样本集不平衡的问题,以某电商平台上一款热销手机的评论数据为基础进行试验。结果表明,长短期记忆网络(LSTM)模型在处理多模态的虚假评论识别上有着非常显著的效果。本文的研究有效解决了多模态数据的融合问题,为多模态虚假评论的治理与防范提供了有益思路。训练后的长短期记忆网络模型能够很好地识别多模态虚假评论,识别精度和效果理想,为自动检测多模态虚假评论提供了实际基础。

虚假评论特征提取检测技术研究

随着互联网技术的发展和网上购物的常态化,当前存在诸多的网上购物虚假评论问题,本文对虚假评论特征提取技术展开了研究。首先,对国内外的评论特征提取及检测技术进行了归纳,将评论特征提取的方法分为3种方式,分别为基于传统方法、深度学习方法和机器学习方法;其次,针对Yelp店铺数据集特征提取,利用多种机器学习分类器比较融合方法,分析了不同分类器对此数据集虚假评论特征检测的优劣。

虚假好评式刷单行为的规范分析及其刑法规制路径

网络刷单行为伴随电子商务的出现产生。虚假好评式刷单作为一种最常见的刷单类型,存在许多亟待解决的问题。虚假好评式的网络刷单行为不成立虚假广告罪、非法经营罪或者非法利用信息网络罪,其主要侵害的法益是电子商务的公平竞争秩序。《反不正当竞争法》等规制虚假好评式刷单力度不大,当前的电商平台规则亦有其局限性,有必要动用刑法手段打击该类型刷单行为。未来立法可以增设虚假网络交易罪规制虚假好评式刷单行为,并设置刑罚。

网络虚假评论研究述评

随着"自媒体"的兴起,网络虚假评论的泛滥成为一个越来越严重的社会性问题。本文首先分析了网络虚假评论产生的原因;然后,对国内外有关网络虚假评论的研究文献进行了梳理和归纳;最后,对这些文献进行了评述。

基于虚假评论识别的微博评论情感分析的研究与应用

微博作为时下热门的社交网络平台,针对其所产生的评论文本进行情感分析已经成为人工智能领域的一个研究热点。考虑到虚假评论会降低情感分析的准确度,从评论用户的状态和行为出发,提出一种基于用户状态与行为的可信度评价体系,用于提取虚假评论特征。结合该特征与PU(Positive and unlabeled)学习算法进行虚假评论识别;运用SVM分类器和随机梯度下降回归模型对去除虚假评论的文本进行主观句分类与情感分析。实验表明,进行虚假评论识别后的情感分析准确率、召回率分别达到0.88和0.89,比传统方法具有更高的分析效能。

论钟评《刘文成公全集》

刘基诗文集版本较多,情况复杂,虽有人曾对此做过专门研究,但钟惺所评辑《刘文成公全集》一书,研究者却未能给予应有的重视①。钟、刘之文在思想情趣及表现形式上迥异,但钟惺在评点《刘文成公全集》时,不置一贬语、极端推崇刘基之文。通过对《刘文成公全集》一书评点内容与钟惺文论主张、思想观点之比较,同时对坊间托名钟惺情况之探讨,可以得出这样的结论题名钟惺评辑《刘文成公全集》一书,其评点者并非钟惺。

基于异常评分行为分析的虚假评论商品识别方法

在电商平台的所有评论信息中检测虚假评论时,评论领域的多样性以及虚假评论的总体稀疏性会导致识别准确率的下降。如果首先识别出包含虚假评论的商品,再对其中的评论进行针对性检测,会大大提高识别的效率和准确性。本文提出了一种基于异常评分行为分析的虚假评论商品识别方法,在对虚假评论行为分析的基础上,采用正态分布拟合和时序数据突变点检测方法,实现对虚假评论的发现。实验结果表明,该方法可以有效地识别虚假评论目标商品。

融合时间特征的虚假评论检测研究

对电商的虚假评论检测,需要充分考虑时间突发特性,因此提出了一种融合时间特征的虚假评论检测方法。基于局部异常因子算法构建时间特征指标,将时间特征、评论特征、评论者特征三者相结合,构建一个较为全面的虚假评论识别框架。通过Yelp数据集验证该方法的有效性,结果表明,该方法的性能较好,AUC值较高。

基于迁移与半监督共生融合的虚假评论识别

虚假评论识别对于用户生成内容的知识获取和利用至关重要,然而,缺少真实可靠的虚假评论数据集使基于机器学习的虚假评论识别具有极大的难度.针对此,考虑采用有标记的黄金数据集以及无标记的亚马逊评论数据集辅助研究跨域虚假评论识别方法.首先,考虑数据集的分布异构特性,提出KMM(Kotlin Multiplatform Mobile)迁移学习策略来有效地获取具有虚假评论的文本共性特征,实现评论文本的跨域迁移;然后,在目标域集合中利用协同半监督机制,基于迁移数据和目标域自身少量标记评论来实现对无标记评论的虚假性识别.迁移学习与协同半监督共生融合,即利用不断更新的目标域标记评论样本,动态多批次实现跨域评论文本的迁移,并完善协同半监督机制,以逐步提高目标域对虚假评论文本的识别精度.在典型亚马逊服装评论数据集和Yelp酒店评论数据集上的实验,证明了提出方法的有效性.

虚假在线评论及其影响研究

互联网的发展使得网上购物更加普及,由于无法直接接触产品,网上购物的消费者获取产品信息一定程度上依赖于他人的在线评论。而网络的开放性与匿名性使得评论的真实性无法得到证实,这就给虚假评论的产生提供了可能。出于推销、诋毁等动机,职业虚假评论者以及部分消费者在网络平台发表虚假评论,这对消费者、商家、网络平台以及消费市场都会产生消极影响,破坏网络购物的信任系统。本文通过文献研究,对虚假在线评论的产生和影响进行探究。

支持跨领域的中文虚假评论识别方法

【目的】在多领域数据集的基础上,构建一种基于评论文本深层词关系语义信息提取的支持跨领域的中文虚假评论识别模型CFEE,解决传统识别方法较少考虑中文评论文本中存在不同领域数据差异性和领域虚假评论数据隐藏性的问题。【方法】提出11条虚假评论数据集建立规则,建立多领域数据集;构建CFEE模型跨领域识别中文虚假评论,其主要功能为基于ERNIE预训练模型提取文本深层语义信息、基于评论文本情感属性识别评论隐藏性、基于卷积神经网络将文本信息投射到词关系维度、基于神经网络融合特征实现分类。【结果】CFEE模型在多领域中文虚假评论数据集上的F1值为91.52%,在手机、食品、服装、家电等单领域数据集上的F1值分别为85.71%、79.59%、85.71%、85.00%,效果均显著优于现有模型。【局限】存在人工标注的主观性。【结论】本文所提识别方法能够有效地跨领域识别中文虚假评论。

基于异质集成学习的虚假评论检测

为了防止卖家的恶性竞争、保证电商平台能够公平交易、保护消费者的权益不受侵犯,针对虚假评论检测领域中数据集小、标注不准确等问题,基于亚马逊最新发布的虚假评论数据集对相关算法进行改进。考虑到Word2vec模型无法识别英语中的词对,提出了Bigram-Word2vec模型;提出"二分类加权硬投票法"以解决异质集成学习中分类器投票数相等的情况;针对异质集成学习中分类器权重设置问题提出"加权软投票法"。试验结果表明,文中对相关算法的改进取得了较为理想的结果。