Automated Spam Review Detection Using Hybrid Deep Learning on Arabic Opinions

Online reviews regarding purchasing services or products offered are the main source of users’opinions.To gain fame or profit,generally,spam reviews are written to demote or promote certain targeted products or services.This practice is called review spamming.During the last few years,various techniques have been recommended to solve the problem of spam reviews.Previous spam detection study focuses on English reviews,with a lesser interest in other languages.Spam review detection in Arabic online sources is an innovative topic despite the vast amount of data produced.Thus,this study develops an Automated Spam Review Detection using optimal Stacked Gated Recurrent Unit(SRD-OSGRU)on Arabic Opinion Text.The presented SRD-OSGRU model mainly intends to classify Arabic reviews into two classes:spam and truthful.Initially,the presented SRD-OSGRU model follows different levels of data preprocessing to convert the actual review data into a compatible format.Next,unigram and bigram feature extractors are utilized.The SGRU model is employed in this study to identify and classify Arabic spam reviews.Since the trial-and-error adjustment of hyperparameters is a tedious process,a white shark optimizer(WSO)is utilized,boosting the detection efficiency of the SGRU model.The experimental validation of the SRD-OSGRU model is assessed under two datasets,namely DOSC dataset.An extensive comparison study pointed out the enhanced performance of the SRD-OSGRU model over other recent approaches.

垃圾评论自动过滤方法

针对互联网上存在的大量垃圾评论,提出一种基于电阻网络的垃圾评论检测方法,该方法用电阻距离来度量评论之间的上下文语义相似性,把整个评论数据表示成一个电阻网络,把垃圾评论当作该网络上的语义离群点来处理,根据网络节点对电阻网络平均电能消耗的影响,建立电离群因子来度量数据的离群程度,以此来识别垃圾评论。实验证明了该方法的有效性,在多个数据集上取得了较好的效果。

基于用户行为的产品垃圾评论者检测研究

为找到垃圾评论的制造者,提出一种基于用户行为的产品垃圾评论者检测方法。从垃圾评论者的行为目的出发,将其发表垃圾评论的5种行为模式作为垃圾评论者的检测指标,从卓越亚马逊网站获取1 470个评论用户,按单指标选取、5个指标集成选取的方法确定最可能和最不可能成为垃圾评论者的评论用户各25个,并对这50个评论者进行人工标记,根据标记结果设计有监督的线性回归模型。实验结果表明,该模型从1 470个评论者中发现88个用户为垃圾评论者,对垃圾评论者的检测效果优于基于用户有用性投票的基准方法。

基于评论行为的商品垃圾评论的识别研究

为了识别商品垃圾评论,基于垃评论员发表的多为垃圾评论这一基本思想,提出一种基于评论员评论行为来判定其是否为垃圾评论员的方法。分析定义了垃圾评论员常见的三类评论行为,分别是针对同类商品发表垃圾评论,针对同品牌商品发表垃圾评论和针对同一卖家商品发表垃圾评论;在对这三类评论行为建模的同时提出一种依据重复性过高或过低打分的评论数量来计算评论员垃圾指数(spam score)的方法。实验数据为在当当网摄影摄像商品区发表过评论的评论员的所有评论信息。实验结果通过人工评判和计算NDCG(normalize discounted cumulative gain)值的方法来检验,实验结果准确有效。

产品垃圾评论检测研究综述

互联网上的产品垃圾评论混淆视听,误导了潜在消费者。产品垃圾评论检测的目的就是将垃圾评论从评论文本中找到并去除,保留真实的产品评论供用户参考。首先将产品垃圾评论和互联网上其它常见的垃圾信息进行了对比,并把产品垃圾评论的检测和产品评论的质量判断、产品评论的情感分析等相关的工作进行了比较分析。然后从产品垃圾评论检测的数据集、检测方法两个角度对相关工作做了概述和分析。最后,在上述工作的基础上提出了一些产品垃圾评论检测研究中值得进一步关注的问题。

虚假评论、消费决策与产品绩效——虚假评论能产生真实的绩效吗

本研究首先通过对虚假评论到消费感知决策这一微观动态过程的构建理论模型来提出研究假设,再设计统计模型以探究虚假评论与产品真实绩效(排除历史累积效应与当前刷单效应)之间的关联关系。研究发现,真实绩效与口碑作假嫌疑之间存在倒U型关系,即小范围的雇佣作假评论会促进真实绩效,但越过临界值之后会对绩效产生抑制作用。进一步比较临界值的位置发现,相对于淘宝商品,天猫商品有更高的作假嫌疑,但是消费者对天猫商品口碑作假的容忍度却更高。此外,相较于高信誉等级或低信誉等级的店铺,消费者对中等信誉等级店铺作假的容忍度更高。事实上,与传统口碑相比,虚假评论主要改变了在线评论的统计分布特征,降低了总评分在购买决策中的参考价值。尽管商家会面临利用虚假评论提升绩效这条捷径的诱惑,商家之间也会存在短期博弈,但是长期来看,会通过业绩惩罚回到均衡解,这意味着店铺经营者通过操纵评论获益其实是短视的。

观点挖掘综述

互联网包含着大量的非结构化文本信息,分析这些文本信息是非常重要的。观点挖掘是当前科研人员研究的一个热点,因为需要进行自然语言处理,观点挖掘非常具有挑战性,然而它有广阔的应用前景。比如各公司总是希望能够及时获取公众或者消费者对于它们产品和服务的评价,以便进一步改进这些产品和服务。为此,对观点挖掘的各方面进行了较详细的描述。其内容主要包括评价文本的挖掘、观点搜索以及观点作弊。

网络交易垃圾评论智能识别研究

定义垃圾评论边界,利用智能算法有效识别垃圾评论。对垃圾评论进行内部细分,构建评价指标体系,并提出一种改良决策树方法对垃圾评论进行智能评估,并提供可读性规则。基于Matlab语言实现,通过实证研究,验证所构建的垃圾评论识别模型能够达到较高预测精度。提供了一种高效的多在线评论多分类智能识别方法,为垃圾评论的分类监管治理提供技术支持。

旅游无效评论特征研究初探

在网络信息时代,社交媒体上海量的在线评论数据,正日渐成为旅游者决策和旅游景区管理的重要参考依据。如何甄别非真实、内容不相关的无效评论,减少数据噪音,是当前学界和行业共同关注的话题。现有研究尚未充分揭示旅游行业中无效评论的特征。探索性地通过人工判读的方式,选取黄山、阳朔、洛阳、喀纳斯四个著名旅游目的地,同时阅读景区和酒店的游客评论,检索出其中的无效评论并利用对比分析和高频词语义网络分析来探究其特征。研究发现景区的无效评论可以分为不真实型、矛盾型、不相关型评论和非评论四大类;不同于酒店的无效评论,旅游景区无效评论更多的是不相关型评论以及非评论型评论,而非故意造假或者广告评论,同时评论长度无法作为判断评论无效的唯一依据。研究认为这些评论的出现未必是出于特殊目的,更多的是评论者为了节省时间的随意行为所致。

融合多特征的垃圾评论检测模型

在线评论已经是影响用户决定是否购买该产品或者服务的重要因素,因而一些不法分子会创建虚假、恶意的评论,对用户和商家造成不良的影响,所以能够快速准确的检测垃圾评论是一个很急迫的需求.已有的研究主要是针对评论文本进行分析,忽略了其它的外部特征并且在准确性上有待提高.本文在评论文本的基础上,考虑了评论者的特征和评论的商品的特征,提出了一种融合多特征的垃圾评论检测模型将三个特征统一考虑进行垃圾评论的检测.首先,使用融入全局-局部注意力机制的卷积神经网络构建评论特征提取模型;其次,分别使用神经网络及卷积神经网络构建评论者及商品特征提取模型;最后,将三个特征模型融合,构成垃圾评论检测模型.通过在真实的数据集上测试证明了本模型的有效性.

基于Adaboost算法与规则匹配的垃圾评论识别

从评论的文本特征及元数据特征两个角度提取特征,避免特征向量过于稀疏.提出了基于随机森林的Adaboost算法,以减弱商品评论数据集不平衡性的影响.部分垃圾评论特征比较显著,采用规则匹配进一步提高垃圾评论识别的召回率.通过在COAE2015任务4提供的数据集上进行实验,取得较好的识别效果,验证了所提方法的有效性.

产品垃圾评论识别研究综述

着重梳理当前产品垃圾评论识别的国内外研究,总结研究特点与不足,发掘发展趋势。在中国知网、Web of Science上以'虚假评论''review spam'等为关键词检索并筛选得到54篇国内外相关文献,采用文献分析法对其进行分类分析,重点阐述研究在识别特征和识别方法方面的优化创新,以及针对垃圾评论、垃圾评论发布者、发布群体等不同识别对象的方法差异。研究发现,当前垃圾评论识别的相关成果可以分为基于评论内容的方法和基于评论结构、评论者、被评论产品的方法,在未来的垃圾评论识别中,应根据数据集的特点,提取有效识别特征,选择优化识别方法。

基于主题模型和情感分析的垃圾评论识别方法研究

随着电子商务的飞速发展,网络购物越来越被消费者认同,而随之产生的产品评论给消费者的购买决策带来了影响。产品评论是指用户在购物站点上对商品的评价信息,而经过分析和研究发现这些评论中充斥着大量的垃圾评论,因此垃圾评论的识别成了电子商务在提高服务质量的过程中需解决的重要问题之一。根据垃圾评论的主要特点提出LDA-SP(LDA-Sentiment Polarity)垃圾评论识别方法。首先利用LDA主题模型过滤出内容型垃圾评论,然后结合情感分析识别出欺骗型垃圾评论。对网络商城的大量评论数据进行准确度分析实验的结果表明,LDA-SP方法的识别准确度高于传统的LDA主题模型和单一的情感极性分析方法,能够有效地检测垃圾评论,从而使产品评论信息更加客观准确,为电子商务用户提供了有效的参考信息。

基于融合聚类算法的电子商务产品垃圾评论识别研究

针对电子商务产品评论数据中存在垃圾评论的问题,本文利用评论文本的语义距离来进行垃圾评论识别,基于Stacking集成思想提出一种基于DBSCAN和Mean Shift的融合聚类算法对文本向量进行聚类分析。垃圾评论由于在语义上与有效评论距离较大,会被分到主要簇之外,形成小簇或者离群点进行垃圾评论识别区分。实验结果表明,融合聚类算法既可以避免DBSCAN内存消耗大的问题,又可以有效解决Mean Shift因迭代次数多导致运行时间长和准确率受随机选择初始质心影响的问题。

基于条件随机场的虚假评论识别研究

在Web2.0技术日益发达的今天,人们越来越多地依赖网络评论做出交易决策,由此,虚假评论的识别已经变为一种迫切的需求。本文通过分析研究虚假评论与真实评论的区别与联系,提出了基于条件随机场的虚假评论识别算法。该算法不同于已有的基于已有的真假评论集和语料库的虚假评论识别方法,而是通过对评论文本进行特征序列标注,再利用CRF(Conditional Random Fields, CRF)训练识别模型对虚假评论进行识别。实验结果表明,本文所提的算法在虚假评论识别效果上有着不错的表现。

融合多特征的产品垃圾评论识别

针对JINDALN等人新近提出的利用逻辑回归模型识别产品垃圾评论的检测方法中使用过多产品评论特征这一问题,分析了解决方法,并提出对特征进行显著性检验。通过对亚马逊数据集的实验结果表明,采用显著性特征建立的回归模型优于所有特征建立的模型。新模型不仅解决了上述问题,减少了计算量,而且整体性能不变,这表明以显著性特征建模有助于提高模型的检测质量。

基于多层注意力机制深度学习模型的虚假评论检测

针对现有的虚假评论检测方法忽略了虚假评论文本的情感特征这一问题,提出一种基于注意力机制的多层编码器模型(ABME)。基于评论首尾部分表达情感更加强烈等特点,将评论拆分为首、中、尾三部分,提高首尾部分的权重;使用双向LSTM模型编码,得到三个局部表示,使用自注意力机制和注意力机制将三个局部表示编码成一个全局特征表示;通过Softmax分类器得到分类结果。实验结果表明,与目前的最好方法相比较,该模型的平均准确率提高了3.3%,平均精度提高了1.21%。

网络课程资源的评论系统构建研究

随着计算机用户可以在网络平台下随意发表自己对事物的看法,在线学习平台的评论板块中不断涌现垃圾评论。垃圾评论信息阻碍了学习用户正确的选择课程资源。为了解决垃圾评论的泛滥,文章在认真研究网络课程资源的各项属性特征及评论语料库的基础上,构建了针对性强、固定的评论系统细则。这为系统的实现提供了数据来源,提高了评论的准确度,为学习用户推荐高质量的课程资源打下了坚实的理论基础。

基于主观倾向值和EasyEnsemble算法的虚假评论识别方法

为了有效识别在线虚假评论,提出一种基于XGBoost-EasyEnsemble算法的虚假评论识别方法。首先,根据虚假评论的特点和提出的主观倾向值计算方法,建立多维特征模型;其次,针对评论数据中的类别不平衡问题,EasyEnsemble算法借助集成策略弥补欠采样的缺陷,充分利用样本信息;最后,选择“好而不同”的XGBoost模型作为基分类器训练最终分类器。基于Yelp网站上的评论数据,以AUC作为评价指标,与支持向量机、GBDT、神经网络等热门机器学习算法进行对比,验证了该方法的有效性。