本文提出了一个名为 BIRD 的贝叶斯推理框架，该框架针对大型语言模型提供了可控和可解释的概率估计，通过加入反推因素、LLM 蕴含和可学习的推导贝叶斯建模。实验表明，使用开源的 Llama 模型，BIRD 的概率估计与人类判断的一致率达到了 65%，比最先进的 GPT-4 提高了 35%。同时，我们还展示了 BIRD 可以直接用于许多真实世界应用的可靠决策。

Apr, 2024

本研究提出使用 BERT 模型从文本（即评论）中提取词嵌入来改进现有的虚假评论分类或检测方法，结果表明 SVM 分类器在准确度和 F1 得分方面优于其他分类器，并且比之前的研究中使用的分类器高出 7.6％。

Jan, 2023

我们提出了一种创新的集成方法来进行情感分析以找到伪造评论，它结合了支持向量机、K 最近邻算法和决策树分类器的预测能力，从而在伪造评论预测中实现了卓越的准确性和鲁棒性，突显了集成技术在使用混合算法中开展伪造评论研究方面的潜力。

Apr, 2024

本文使用 16 种不同的特征提取方法（包括 unigrams、bigrams、trigrams 和潜在语义索引）和 4 种机器学习算法（包括逻辑回归、朴素贝叶斯分类、感知器和线性支持向量分类）将评论评级预测视为多类分类问题，并分析了每种模型的性能，从而提出了最佳模型。使用 Yelp 数据集来训练和测试模型。

May, 2016

通过使用多个深度学习和预训练 Transformer 语言模型开发出一个可靠的检测系统，该论文介绍了孟加拉语虚假评论检测（BFRD）数据集，该数据集是用于识别孟加拉语虚假评论的第一个公开可用数据集，通过翻译英文单词和罗马化孟加拉语进行背音转写，提出一个独特的流程来转换评论中的非孟加拉语单词。最后，提出了一个加权集成模型，结合了四个预训练的 Transformer 模型：BanglaBERT、BanglaBERT Base、BanglaBERT Large 和 BanglaBERT Generator。经实验验证，该集成模型在 13390 条评论中（包括 1339 条实际虚假评论和使用 nlpaug 库生成的 5356 条扩增虚假评论以及从 7710 条非虚假实例中随机选取的 6695 条评论）获得了 0.9843 的加权 F1 得分，在使用 bnaug 库生成的虚假评论上获得了 0.9558 的加权 F1 得分。

Aug, 2023

利用机器学习模型鉴别欺诈评论，研究表明被动侵略型分类器在文本分类和欺诈评论中表现最佳。

Jul, 2023

该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架，并使用 ISCX 2012 数据集评估了这些算法的性能，结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。

Aug, 2020

本文介绍了一种利用情感分析的 Web 爬取框架，以便快速发现电影评论和酒店评论的情感内容及分析，并详细讨论了两种监督式机器学习算法：K - 最近邻算法（K-NN）和朴素贝叶斯算法，并比较了它们的总体准确度、精确度和召回率。研究发现，在电影评论方面，朴素贝叶斯算法比 K-NN 算法效果好得多，但在酒店评论方面这些算法效果相对较差并且几乎相同。

Oct, 2016

本文提出了一种基于 GraphRfi 的 GCN 用户表示学习框架，以实现强健的建议和舞弊者检测，此框架在强健的评级预测和舞弊者检测这两个任务中表现更为优越，并且证实其比现有的推荐系统更具鲁棒性。

May, 2020

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