基于深度学习的多维特征虚假评论检测算法研究

发布时间：2021-04-02 20:33

　　随着电子商务的迅速发展,网上购物逐渐发展成为人们购物的主要方式。由于网上购物中的消费者与电商平台商家信息不对称的特点,在网上购物的过程中,电商平台中的商品评论信息逐渐成为消费者网购决策的主要依据。但是,由于利益的驱使,越来越多的商品虚假评论信息出现在消费者面前,并且由于网络水军、网络职业写手的存在使得商品的虚假评论与真实评论的区分难度越来越大,使得消费者不能直观的获取到买家对商品购买体验与使用体验的反馈信息,因此商品虚假评论检测研究随之展开。随着研究者的不断努力,越来越多的虚假评论检测方法被提出来。然而面对当今虚假评论具有很高仿真性的特点,当前的虚假评论检测方法慢慢暴露出局限性:基于评论内容特征的检测的传统机器学习方法,对于自然语言处理领域,语言特征的提取对于领域知识具有很强的依赖性,算法识别能力较差,泛化能力较弱,误判率较高;人为虚假评论具有很高的仿真性,单纯从评论内容这一维度特征构建模型对虚假评论识别具有一定困难。针对以上问题,本文提出了一种基于深度学习的多维特征虚假评论检测模型。该模型使用深度学习中的双向长短时记忆网络模型（Bi-LSTM）来获取商品评论文本内容的上下文语义信息特... 

【文章来源】： 徐庚辉 山东科技大学

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图２．１支持向量机与间隔??Ｆｉｇ．?２．１?Ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ?ｍａｃｈｉｎｅｓ?ａｎｄ?ｉｎｔｅｒｖａｌｓ??

２）?Ｓｋｉｐ－ｇｒａｍ?模型??Ｓｋｉｐ－ｇｒａｍ模型与ＣＢＯＷ模型正好相反，Ｓｋｉｐ－ｇｒａｍ模型是用目标词来预测??周围的词语，其模型结构如图２．３所示。??１６??

?（３．８）??１＝１??其中，ｔ／，６为Ｓｏｆｔｍａｘ回归的参数，ｔ为类别数。其结构如图３．２所示。??Ｓｏｆｔｍａｘ??Ｋ??＇?－?ｔ?＇?ｉ?＇??，??ｉ?Ｉ?１?｛?Ｉ?ｉ：??？?????ｊ?＇?ｉ?＿???ｊ??！?ｉ?１?ｉ?ｉ?ｔ??：ｊ?ＬＳＴＭ?ｐ－ＨＨ?ＬＳＴＭ?＂）——？］?ＬＳＴＭ?｜?

【参考文献】：
期刊论文
[1]基于主题-对立情感依赖模型的虚假评论检测方法[J]. 汪建成,严馨,余正涛,宋海霞,石林宾.  山西大学学报(自然科学版). 2015(01)
[2]基于社交图谱模型的虚假评论识别[J]. 李雨桥,符红光.  计算机应用. 2014(S2)
[3]基于评论图的虚假产品评论人的检测[J]. 王琢,李准,徐野,宋凯.  计算机科学. 2014(10)
[4]基于欺骗语言线索的虚假评论识别[J]. 邓莎莎,张朋柱,张晓燕,李欣苗.  系统管理学报. 2014(02)
[5]虚假商品评论信息发布者行为动机分析[J]. 孟美任,丁晟春.  情报科学. 2013(10)
[6]基于自适应聚类的虚假评论检测[J]. 宋海霞,严馨,余正涛,石林宾,苏斐.  南京大学学报(自然科学版). 2013(04)
[7]垃圾评论自动过滤方法[J]. 谭文堂,朱洪,葛斌,李芳芳,肖卫东.  国防科技大学学报. 2012(05)
[8]基于Hash技术的重复性评论检测[J]. 李真,林琛,李弼程.  计算机应用. 2009(S2)
[9]观点挖掘综述[J]. 王辉,王晖昱,左万利.  计算机应用研究. 2009(01)

硕士论文
[1]融合内容及行为的虚假评论检测方法研究[D]. 宋海霞.昆明理工大学 2014
[2]基于深度学习的欺骗性垃圾信息识别研究[D]. 景亚鹏.华东师范大学 2014
[3]面向博客的垃圾评论识别方法研究[D]. 邓冰娜.河北大学 2011



本文编号：3115913