利用高质量的 Yelp 餐馆精英评论来生成假评论，并最终微调 GPT 输出检测器以预测并显著优于现有解决方案的假评论，进而预测非精英评论并识别跨多维度（例如评论、用户和餐厅特征以及写作风格）的模式。虽然社交媒体平台可以实现检测系统来过滤可疑评论，但是机器生成的假评论对社交媒体平台仍带来不断的挑战。

Feb, 2023

通过神经机器翻译技术，本文提出并评估了一种新的方法，用于生成保持主题一致的餐厅评价，测试表明该方法具有极高的检测难度，同时本研究设计了高效的检测工具，证明虚假评论的自动检测仍然可行。

May, 2018

本文研究表明，利用公开的神经语言模型，结合情感方面的分类器，所生成的假评论可以成功地欺骗人和机器，故而需要采取应对措施。

Jul, 2019

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

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

通过提出基于生成器的模型，利用强化学习生成伪造的评论攻击基于评论的推荐系统，实现狡猾的物品推广，并通过引入辅助奖励和预先训练的语言模型和方面预测器来提高文本流畅性和多样性。然后，经过实验证明，具有对抗性训练的推荐系统能够防止这种攻击。

Jun, 2023

研究使用机器学习算法和长短期记忆 (LSTM) 神经网络在社交媒体上进行社交工程学和网络钓鱼攻击，通过动态种子和主题聚类等机制使攻击更有针对性。尝试提高攻击成功率，最终实现了三倍于历史电子邮件攻击的成功率，并超过手动执行相同任务的人类。

Feb, 2018

该研究呈现了一种名为 Grover 的可控文本生成模型，该模型可生成逼真的假新闻，但通过使用 Grover 模型自身进行验证，可提高检测真假信息的准确性。同时，该研究强调在探索和应对类似 Grover 模型可能带来的风险时，需关注其中的道德问题。

May, 2019

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