发现任何一段虚假的言论垃圾
该论文基于经济信号理论和生成模型探讨了消费者在线评论中的虚假内容,通过对六个知名在线旅游评论社区的分析表明了不同社区虚假评论的增长率不同,并且提出了一些方法可以有效地减少虚假评论的存在。
Apr, 2012
本文介绍一种基于时间的方法,对在线消费者评论进行实时监测,并利用精心选择的指示性信号,设计有效的技术来检测和描述不正常事件,该方法适用于两个不同评论网站的数据集,且快速、有效、实用,可在现实世界的系统中部署。
Mar, 2016
本研究提出一种新方法将机器学习与消息传递算法相结合,采用主动学习方式进行标签采样,用于判别评论者是垃圾评论者还是正常评论者,并在三大真实数据集中进行实验,证明其在机器学习方法和标签数据较少情况下性能优越。
May, 2022
本研究对比了多种检测虚假和欺骗性在线评论的技术,应用了多种有效的机器学习方法,提出了一种通过微调最先进的上下文嵌入进行检测的方法,结果表明上下文嵌入在虚假评论检测方面具有潜力,并为未来的研究打下了基础。
Oct, 2020
本文提出了一个叫做 ViSpamReviews 的数据集,用于检测电子商务平台上的垃圾评论,包含两个任务,一个是二分类任务,用于判断评论是否为垃圾评论,另一个是多分类任务,用于识别垃圾评论的类型。 PhoBERT 在两个任务中都表现最好,分别获得了 86.89%和 72.17%的宏平均 F1 分数。
Jul, 2022
本文探讨了一种处理虚假评论的自然语言处理方法,通过研究 15 种语言特征,证明了虚假评论往往包含更多的废话和长句子,并且应用机器学习算法可以高准确率地辨别出虚假评论。
Oct, 2020
本文讨论了在多个名称下发表假评论的问题,并提出了两种方法来检测相似的评论,结果通常优于以前的向量相似度措施,并对来自三个不同数据集的评论进行了实验。
Sep, 2016
本文介绍了检测协同过滤推荐系统中虚假文本评论的新方法。我们提出了一种基于对比学习的体系结构,利用用户人口特征以及文本评论作为对抗虚假评论的额外证据,从而使推荐系统更加健壮。该方法能够应对两种不同类型的虚假评论(由语言模型生成的虚假评论和由不诚实用户撰写的评论),并且能够减少偏见评论的影响。
Jan, 2023
本文介绍了利用深度学习方法来检测虚假的评论,并提出了使用多层感知器(MLP)、卷积神经网络(CNN)和长短时记忆(LSTM)的变体等方法,同时也应用了传统的机器学习分类器,如朴素贝叶斯(NB)、K 近邻(KNN)和支持向量机(SVM),并对两种不同分类器的性能进行了比较。
Nov, 2022