Nov, 2022

使用深度学习进行垃圾评论检测

PDF
TL;DR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。
spam review detectionmachine learning techniquesdeep learning methodssupervised learningunlabeled data
发现论文，激发创造
  • 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

    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

  • 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

  • 使用监督机器学习和 BERT 模型进行在线虚假评论检测

    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

  • 在线评论系统中的自动软件伪造攻击和防御

    本文针对恶意众包论坛在信息传播中的误导性日益严重的问题，使用一种新的攻击方式 —— 基于深度学习语言模型，自动生成伪造商品和服务的在线评论，比传统人工雇佣方式成本更低、攻击规模更大，且有机制可以逃避检测，通过结合 Yelp 评论网站的实例，研究提出相应的防范措施。

    Aug, 2017

  • 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

  • 使用 spaCy 构建有效的电子邮件垃圾邮件分类模型

    本研究使用 spaCy 自然语言处理库和三种机器学习算法，其中包括朴素贝叶斯（ Naive Bayes）、决策树 C45 和多层感知器（MLP），来检测从 Gmail 服务中收集的垃圾邮件，并发现多层感知器（MLP）算法的准确率达到了 96％。

    Mar, 2023

  • 使用分层注意力混合深度学习方法进行电子邮件垃圾邮件检测

    本文提出了一种新的基于一种结合了卷积神经网络、带门循环单元和注意机制的技术的邮件垃圾邮件检测方法，该方法利用卷积层逐层提取意义深刻、抽象且具有泛化性的特征，同时包含跨数据集评估。经过交叉数据集评估，本方法优于现有基于注意机制的技术，实现了更灵活的接受域大小的使用。

    Apr, 2022

  • 基于图卷积网络的垃圾评论检测

    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

  • 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