May, 2022

使用机器学习和基于网络的算法进行意见垃圾检测的新方法

PDF
TL;DR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。
发现论文，激发创造
  • 使用深度学习进行垃圾评论检测

    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

  • 利用文本分类检测欺诈评论

    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

  • 多元指示信号的时间性舆情垃圾检测

    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

  • 增强型评论检测与识别：对跨平台应用的方法研究（以在线商务为例）

    在线商务依赖于用户生成的评论来提供对物品的客观信息，该论文提出了一种利用机器学习方法进行评论检测和提取的方法，并展示了该方法在对未包含在训练数据中的网站上的使用上的推广性。此方法承诺驱动自动检测和评估评论的应用，无论其来源如何。此外，通过实施和讨论三个关键应用：情感不一致性分析、多语言支持和假评论检测，展示了该方法的多功能性。

    May, 2024

  • 发现任何一段虚假的言论垃圾

    本研究结合心理学和计算语言学的工作，研究了欺骗性意见垃圾信息的检测，提出三种方法并开发出在黄金标准意见垃圾信息数据集上准确率接近 90% 的分类器，还进行了特征分析并揭示了欺骗性意见与想象写作之间的关系。

    Jul, 2011

  • 基于网络的在线社交媒体评论垃圾检测框架 NetSpam

    利用映射垃圾邮件检测程序为网络中的分类问题的异构信息网络，提高了垃圾邮件特征的重要性，证明该方法在 Yelp 和 Amazon 等真实评论数据集上优于现有方法，其中除其他类别外，评论行为类别的特征表现得更好。

    Mar, 2017

  • 垃圾网址的机器学习分类方法

    使用机器学习模型对 URL 进行分类，研究发现 bagging 方法在垃圾邮件识别方面具有 96.5% 的准确率。

    Sep, 2023

  • 在线检测及信息图解的垃圾评论与数据漂移适应

    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

  • 检测越南电子商务网站上的垃圾评论

    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

  • 社交网络上 “智能” 垃圾邮件的检测：主题模型方法

    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