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

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

本研究提出了一种基于 LDA 潜在狄利克雷分布的新型垃圾邮件分类方法，提取了主题分布模式的本地和全局信息，优于其他最先进的方法，能够有效识别社交网络上类似合法用户的智能垃圾邮件。

Apr, 2016

本研究提出了一种基于图卷积神经网络（GCN）的大规模反垃圾邮件方法来检测垃圾广告，名为 GCN-based Anti-Spam（GAS）模型。该模型整合了异构图和同构图以捕获评论的局部和全局上下文，在离线实验和在线性能的表现上均优于基线模型，并解决了闲鱼反垃圾邮件系统面临的数据规模和垃圾邮件挑战。

Aug, 2019

本研究旨在通过仅依赖推文固有特征，检测社交垃圾邮件，使用两个大的手动标记的推文数据集，研究了五种分类算法和四种不同的特征集的适用性，并发现通过仅使用推文中有限的特征，我们可以获得有竞争力的结果，是社交垃圾邮件检测系统的有效补充。

Mar, 2015

我们设计了在垃圾邮件过滤中的后门攻击，通过揭示机器学习模型供应链上的潜在漏洞，突出了在垃圾邮件过滤器中使用的模型需要进行仔细考虑和评估的需求。我们的结果表明，后门攻击可以有效地用于发现垃圾邮件过滤器的漏洞，并提出了对该领域的持续监测和改进的需求。

Jul, 2023

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

利用 PhoBERT 模型结合产品描述功能实现了检测越南电子商务网站上垃圾评论的最先进性能，可以通过同时整合文本和分类属性来提高垃圾评论分类的准确性。

May, 2024

提出了一种在线解决方案，用于识别和解释垃圾评论，包括数据漂移适应，达到了 87% 的垃圾评论 F-measure。

Jun, 2024