Jan, 2023

使用监督机器学习和 BERT 模型进行在线虚假评论检测

PDF
TL;DR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％。
发现论文，激发创造
  • 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

  • 在电子商务平台中使用混合算法寻找虚假评论

    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

  • 应用 BERT 进行假新闻检测的更佳分类预测推理

    本研究在真实与假新闻数据集上，从可视和分析角度分析了表示空间的质量。提出了 Class Activation Mapping 的修改方案，为每个单词标记提供一个 CAM 得分，以便于预测。最终表明，加上可学习的线性层的 naive BERT 模型足以实现强大的性能，同时兼容 CAM。

    Jul, 2022

  • 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

  • 使用神经语言模型生成保留情感的虚假在线评论及其人工和机器检测

    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

  • 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

  • 保持主题：生成特定上下文的虚假餐厅评论

    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

  • 基于 Transformer 模型（BERT，ALBERT 和 RoBERTa）在假新闻检测中的性能分析

    该研究探索了 transformer 模型，发现 ALBERT 在检测印尼语假新闻方面表现最佳

    Aug, 2023

  • 基于 BERT 的社交媒体声誉分析深度学习方法

    在社交媒体的世界中，维护声誉资本至关重要，但是在自动化可靠的在线声誉分析方面仍面临挑战。因此我们提出了一种基于 BERT 的声誉分析方法，并在 RepLab 2013 数据集上进行了评估。相比之前的工作，我们的准确度提高了 5.8％，平衡准确度提高了 26.9％，F 分数提高了 21.8％。

    Oct, 2022

  • 真实还是人造？上下文化观点垃圾信息检测

    本研究对比了多种检测虚假和欺骗性在线评论的技术，应用了多种有效的机器学习方法，提出了一种通过微调最先进的上下文嵌入进行检测的方法，结果表明上下文嵌入在虚假评论检测方面具有潜力，并为未来的研究打下了基础。

    Oct, 2020