論文の概要: Amazon Fake Reviews

• arxiv url: http://arxiv.org/abs/2009.09102v1
• Date: Fri, 18 Sep 2020 21:59:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 21:58:51.123305
• Title: Amazon Fake Reviews
• Title（参考訳）: amazonの偽レビュー
• Authors: Seung Ah Choi
• Abstract要約: 私は、時間、単語の選択、投稿したユーザーといったメタデータとともにセマンティック分析を通じて、Amazonの偽レビューを検出することにしました。 最初に、レビューが本物でないことを示すいくつかのインスタンスを思いつき、アルゴリズムがどのようなものかを構築しました。 次に、統計的解析を用いてアルゴリズムをコーディングし、その精度を検証し、6つのコード品質に基づいて分析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Often, there are suspicious Amazon reviews that seem to be excessively positive or have been created through a repeating algorithm. I moved to detect fake reviews on Amazon through semantic analysis in conjunction with meta data such as time, word choice, and the user who posted. I first came up with several instances that may indicate a review isn't genuine and constructed what the algorithm would look like. Then I coded the algorithm and tested the accuracy of it using statistical analysis and analyzed it based on the six qualities of code.
• Abstract（参考訳）: しばしば疑わしいAmazonのレビューは、過度に肯定的か、繰り返しアルゴリズムで作成されたものと思われる。 私は、時間、単語の選択、投稿したユーザーなどのメタデータとともにセマンティック分析を通じて、Amazonの偽レビューを検知しました。 最初に、レビューが本物でないことを示すいくつかのインスタンスを思いつき、アルゴリズムがどのようなものかを構築しました。 そして、統計的解析を用いてアルゴリズムをコーディングし、その精度を6つのコード品質に基づいて分析した。

関連論文リスト

• Deep Learning-based Code Reviews: A Paradigm Shift or a Double-Edged Sword? [14.970843824847956]
  私たちは、自動生成されたコードレビューのサポートなしで、異なるプログラムをレビューする29人の専門家による制御された実験を実行しました。 本研究は,LLMが自動認識する問題の大部分をレビュアが有効とみなし,自動化されたレビューを出発点として利用できることが,彼らの行動に強く影響していることを示す。 しかし、自動化されたレビューから始まったレビュアーは、完全な手作業のプロセスと比較して、より高重度な問題を特定できない一方で、より多くの低重度な問題を特定した。
  論文  参考訳（メタデータ） (2024-11-18T09:24:01Z)
• Identifying Inaccurate Descriptions in LLM-generated Code Comments via Test Execution [11.418182511485032]
  3つの大言語モデル(LLM)が生成するコメントを評価する。 文書をLCMを用いて検証し、文書に基づいてテストを生成し、それらのテストを実行し、通過するかどうかを観察する文書テストの概念を提案する。
  論文  参考訳（メタデータ） (2024-06-21T02:40:34Z)
• Code Review Automation: Strengths and Weaknesses of the State of the Art [14.313783664862923]
  3つのコードレビュー自動化技術は、この論文で説明した2つのタスクで成功するか失敗する傾向があります。 この研究は質的な焦点が強く、正確な予測と間違った予測の分析に105時間のマニュアルインスペクションが費やされている。
  論文  参考訳（メタデータ） (2024-01-10T13:00:18Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Combat AI With AI: Counteract Machine-Generated Fake Restaurant Reviews on Social Media [77.34726150561087]
  我々は、高品質なYelpレビューを活用して、OpenAI GPTレビュー作成者から偽レビューを生成することを提案する。 このモデルを適用して、非エリートレビューを予測し、複数の次元にまたがるパターンを識別する。 ソーシャルメディアプラットフォームは、マシン生成の偽レビューによって継続的に挑戦されていることを示す。
  論文  参考訳（メタデータ） (2023-02-10T19:40:10Z)
• Can We Automate Scientific Reviewing? [89.50052670307434]
  我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。 我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。 総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
  論文  参考訳（メタデータ） (2021-01-30T07:16:53Z)
• Abstractive Opinion Tagging [65.47649273721679]
  eコマースでは、意見タグは、アイテムのレビューの特徴を反映したEコマースプラットフォームが提供するタグのランクリストを指す。 意見タグを生成するための現在のメカニズムは、手作業またはラベル付け方法に依存します。 AOT-Net と呼ばれる抽象的な意見タグフレームワークを提案し、多数のレビューからランク付けされた意見タグのリストを生成します。
  論文  参考訳（メタデータ） (2021-01-18T05:08:15Z)
• Fake Reviews Detection through Analysis of Linguistic Features [1.609940380983903]
  本稿では,偽レビューを識別するための自然言語処理手法について検討する。 ニセモノと信頼できるオンラインレビューを区別するために,15の言語的特徴について検討した。 これらの言語的特徴を用いて,実際のレビューから偽の識別を高精度に行うことができた。
  論文  参考訳（メタデータ） (2020-10-08T21:16:30Z)
• A ground-truth dataset and classification model for detecting bots in GitHub issue and PR comments [70.1864008701113]
  ボットはGithubリポジトリで、分散ソフトウェア開発プロセスの一部である反復的なアクティビティを自動化するために使用されている。 本稿では,5000のGithubアカウントのプルリクエストとコメント発行に関する,高い相互契約を伴う手動分析に基づいて,基幹トラスデータセットを提案する。 ボットを検出する自動分類モデルを提案し,各アカウントの空のコメント数と空でないコメント数,コメントパターンの数,コメントパターン内のコメント間の不平等を主特徴とする。
  論文  参考訳（メタデータ） (2020-10-07T09:30:52Z)
• The Sparse Vector Technique, Revisited [67.57692396665915]
  我々は、微分プライバシーの文献において最も基礎的で広く適用可能なテクニックの1つを再考する。 この単純なアルゴリズムは、データベース上のあるクエリの値が、私たちが期待している値に近いかどうかをプライベートにテストします。 一つの個人が過剰なクエリの回答に寄与しない限り、クエリのテストを継続できる代替の、等しくシンプルなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:50:52Z)
• Context-aware Helpfulness Prediction for Online Product Reviews [34.47368084659301]
  本稿では,レビューの有用性を評価するニューラルディープ・ラーニング・モデルを提案する。 このモデルは畳み込みニューラルネットワーク(CNN)とコンテキスト認識符号化機構に基づいている。 我々は、人間の注釈付きデータセット上でモデルを検証し、その結果、既存のモデルよりも有益性予測に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-04-27T18:19:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。