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

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

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

本文提出了一个用于在在线平台上检测和解释异常评论的流程。该流程由三个模块组成，可检测出无价值或恶意组合的评论，并提供分类的正常度评分和解释。通过对大型亚马逊数据库创建的不同数据集进行评估，证明了该流程解决异常检测任务的能力。此外，通过对 241 名参与者进行三种可解释性技术的比较研究，评估了可解释性模块的影响。该研究旨在衡量解释对被调查人重现分类模型以及其感知有用性的影响。这项工作对于自动化处理在线评论平台（如电子商务）中的任务，并为解决文本数据异常检测领域的类似问题提供了灵感。我们还认为，在检测异常评论等真实且罕见的场景中，进行了对不同解释技术能力的人类评估，这一点很有意义，同时也需要对是否可能解释这类主观任务进行思考。

Nov, 2023

以极小化极大博弈为基础，利用依赖性马尔可夫决策过程（MDP）优化算法，定位鉴定在提高商品评价的真实性方面表现更优秀的网络欺诈检测与防范方法。

Jun, 2020

本论文旨在确保 “基于机器学习和深度学习” 的系统能够像传统软件一样可靠。论文提出了一种度量数据漂移的方法以及在其发生时自适应地重新训练模型的方法，并生成不同层面的解释以理解漂移原因。

Nov, 2022

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

本研究提出了一种可靠的端到端框架，用于大型任务导向对话系统中模型无关变点检测和解释，并通过模拟对话系统中的客户请求，评估了该方法并展示了其效果。

May, 2023

本文提供了四种文本漂移生成方法，以便生成带有标记漂移的数据集，并使用增量分类器测试它们恢复漂移的能力。结果表明，所有方法在漂移后性能都有所下降，增量支持向量机在准确性和宏 F1 得分方面运行速度最快，恢复了之前的性能水平。

Mar, 2024