面向多领域的虚假评论识别研究

发布时间：2022-01-04 02:23

　　随着电子商务的发展,越来越多的个人和商业组织开始阅读和参考在线评论来做出购买决策。积极的评论可以为企业和个人带来显著的经济收益和名声,这为虚假评论的产生提供了强大的动力。在过去几年中,虚假评论的问题已经变得极为普遍,因此虚假评论检测是一个紧迫而且重要的话题,它对于确保网络平台上信息的可信度至关重要。基于此,本文进行了如下两项任务:1)针对虚假评论识别任务中传统离散模型难以捕捉到整个评论文本的全局语义信息问题,提出了一种基于层次注意力机制的神经网络模型。首先,实验地探讨了不同神经网络结构对评论文本的篇章结构建模,即哪种神经网络模型能够获得最好的篇章表示;然后,基于用户视图和产品视图的两种注意力机制对评论文本进行建模,用户视图关注评论文本中用户的偏好,而产品视图关注评论文本中产品的特征;最后,将两个视图学习的评论表示拼接,作为预测虚假评论的最终表示。以准确率Accuracy作为评估指标,在Yelp数据集上做实验。结果表明,所提出的层次注意力机制的神经网络模型表现最好,其准确率超出了传统离散模型和现有的神经网络基准模型1至4个百分点。因此,所提方法能够获得更优性能。2)针对跨领域虚假评论识别... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与研究意义
    1.2 国内外相关领域研究现状
        1.2.1 特征工程
        1.2.2 传统统计模型
        1.2.3 神经网络模型
    1.3 本文研究目标与研究内容
    1.4 本文组织结构
2 文本分类模型
    2.1 传统统计模型
        2.1.1 支持向量机
        2.1.2 朴素贝叶斯
        2.1.3 逻辑回归
    2.2 神经网络模型
        2.2.1 卷积神经网络
        2.2.2 循环神经网络
        2.2.3 长短期记忆神经网络
        2.2.4 其他模型
    2.3 本章小结
3 基于层次注意力模型的虚假评论识别研究
    3.1 研究动机
    3.2 注意力机制
    3.3 模型
        3.3.1 总体框架
        3.3.2 用户注意力机制
        3.3.3 产品注意力机制
        3.3.4 文档表示
    3.4 实验设置
        3.4.1 数据集
        3.4.2 超参数
        3.4.3 基准模型
    3.5 实验结果
        3.5.1 结果比较
        3.5.2 模型分析
    3.6 本章小结
4 基于对抗训练模型的跨领域虚假评论识别研究
    4.1 研究动机
    4.2 相关概念
    4.3 模型
        4.3.1 总体框架
        4.3.2 模型
        4.3.3 对抗训练
    4.4 实验设置
        4.4.1 数据集
        4.4.2 预训练
        4.4.3 训练分类器
        4.4.4 基准模型
    4.5 实验结果
        4.5.1 结果比较
        4.5.2 模型分析
        4.5.3 错误分析
    4.6 本章小结
5 总结与展望
    5.1 总结
    5.2 创新点
    5.3 展望
参考文献
致谢



本文编号：3567465