論文の概要: Confounds and Overestimations in Fake Review Detection: Experimentally
Controlling for Product-Ownership and Data-Origin
- arxiv url: http://arxiv.org/abs/2110.15130v1
- Date: Thu, 28 Oct 2021 14:04:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 00:20:59.519679
- Title: Confounds and Overestimations in Fake Review Detection: Experimentally
Controlling for Product-Ownership and Data-Origin
- Title(参考訳): フェイクレビュー検出における問題点と過大評価--製品オーナシップとデータオーグリンの実験的制御
- Authors: Felix Soldner, Bennett Kleinberg, Shane Johnson
- Abstract要約: 2つのコンファウンドは、データオリジン(データセットは複数のソースで構成されている)と製品オーナーシップ(レビューされた製品を所有しているか、所有していない個人によって書かれたレビュー)である。
データオリジン、製品オーナシップ、レビューポラリティ、妥当性を操作し、改善された学習分析により、レビューの妥当性(60.26 - 69.87%)は幾らか検出可能であるが、レビューは製品オーナーシップ(66.19 - 74.17%)またはデータオリジン(84.44 - 86.94%)で分類し易いことが示唆された。
- 参考スコア(独自算出の注目度): 1.658669052286989
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The popularity of online shopping is steadily increasing. At the same time,
fake product reviewsare published widely and have the potential to affect
consumer purchasing behavior. In response,previous work has developed automated
methods for the detection of deceptive product reviews.However, studies vary
considerably in terms of classification performance, and many use data
thatcontain potential confounds, which makes it difficult to determine their
validity. Two possibleconfounds are data-origin (i.e., the dataset is composed
of more than one source) and productownership (i.e., reviews written by
individuals who own or do not own the reviewed product). Inthe present study,
we investigate the effect of both confounds for fake review detection. Using
anexperimental design, we manipulate data-origin, product ownership, review
polarity, and veracity.Supervised learning analysis suggests that review
veracity (60.26 - 69.87%) is somewhat detectablebut reviews additionally
confounded with product-ownership (66.19 - 74.17%), or with data-origin(84.44 -
86.94%) are easier to classify. Review veracity is most easily classified if
confounded withproduct-ownership and data-origin combined (87.78 - 88.12%),
suggesting overestimations of thetrue performance in other work. These findings
are moderated by review polarity.
- Abstract(参考訳): オンラインショッピングの人気は着実に高まっている。
同時に、偽の製品レビューが広く出版され、消費者の購買行動に影響を与える可能性がある。
これに対し, 先進的な研究は, 偽商品レビューの自動検出手法を開発してきたが, 分類性能, 潜在的な欠点を含むデータが多く, 妥当性の判断が困難である。
data-origin(すなわち、データセットは複数のソースから構成されている)とproduct ownership(すなわち、レビュー済みの製品を所有または所有していない個人によるレビュー)の2つがある。
本研究では,両コンファウンドが偽レビュー検出に与える影響について検討した。
データオリジン、プロダクトオーナシップ、レビューポーラリティ、veracityを操作する。教師付き学習分析によると、レビューveracity (60.26 - 69.87%) はある程度検出可能であるが、製品オーナシップ (66.19 - 74.17%) やデータオリジン (84.4486.94%) と組み合わせたレビューは分類が容易である。
レビューの妥当性は、製品オーナーシップとデータオリジンの組み合わせ(87.78 - 88.12%)を組み合わせれば最も容易に分類できる。
これらの結果は、レビューの極性によって中和される。
関連論文リスト
- AiGen-FoodReview: A Multimodal Dataset of Machine-Generated Restaurant
Reviews and Images on Social Media [57.70351255180495]
AiGen-FoodReviewは、20,144のレストランレビューイメージペアからなるデータセットである。
FLAVAで99.80%のマルチモーダル精度を達成し,一様・多モーダル検出モデルについて検討する。
この論文は、データセットをオープンソース化し、偽レビュー検出装置を公開し、非モーダルかつマルチモーダルな偽レビュー検出タスクでの使用を推奨し、合成データと真正データにおける言語的特徴と視覚的特徴を評価することで貢献する。
論文 参考訳(メタデータ) (2024-01-16T20:57:36Z) - Too Good To Be True: performance overestimation in (re)current practices
for Human Activity Recognition [49.1574468325115]
データセグメンテーションのためのスライディングウィンドウと、標準のランダムk倍のクロスバリデーションが続くと、バイアスのある結果が得られる。
この問題に対する科学界の認識を高めることは重要であり、その否定的な影響は見落とされつつある。
異なるタイプのデータセットと異なるタイプの分類モデルを用いたいくつかの実験により、問題を示し、メソッドやデータセットとは独立して持続することを示すことができる。
論文 参考訳(メタデータ) (2023-10-18T13:24:05Z) - Unmasking Falsehoods in Reviews: An Exploration of NLP Techniques [0.0]
本研究は,誤認レビューを識別する機械学習モデルを提案する。
これを実現するために,n-gramモデルと最大特徴量を開発し,認識内容を効果的に同定する。
実験結果から,パッシブ・アグレッシブ・クラシファイアは様々なアルゴリズムにおいて顕著であることがわかった。
論文 参考訳(メタデータ) (2023-07-20T06:35:43Z) - On the Role of Reviewer Expertise in Temporal Review Helpfulness
Prediction [5.381004207943597]
有用なレビューを識別する既存の方法は、主にレビューテキストに焦点をあて、レビューを投稿する(1)とレビューを投稿する(2)の2つの重要な要素を無視する。
本稿では,過去のレビュー履歴から得られたレビュアの専門知識と,レビューの時間的ダイナミクスを統合し,レビューの有用性を自動的に評価するモデルを提案する。
論文 参考訳(メタデータ) (2023-02-22T23:41:22Z) - Online Fake Review Detection Using Supervised Machine Learning And BERT
Model [0.0]
テキストから単語の埋め込みを抽出するためにBERT(Bidirectional Representation from Transformers)モデルを提案する(レビュー)。
その結果、SVM分類器は精度で他より優れており、f1スコアは精度87.81%であることがわかった。
論文 参考訳(メタデータ) (2023-01-09T09:40:56Z) - Yes-Yes-Yes: Donation-based Peer Reviewing Data Collection for ACL
Rolling Review and Beyond [58.71736531356398]
本稿では、ピアレビューデータについて詳細な議論を行い、ピアレビューデータ収集のための倫理的・法的デシダータの概要を述べるとともに、最初の継続的な寄付ベースのデータ収集ワークフローを提案する。
本稿では、ACL Rolling Reviewにおいて、このワークフローの現在進行中の実装について報告し、新たに収集したデータから得られた最初の洞察を提供する。
論文 参考訳(メタデータ) (2022-01-27T11:02:43Z) - 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) - SentiLSTM: A Deep Learning Approach for Sentiment Analysis of Restaurant
Reviews [13.018530502810128]
本稿では,レストランのクライアントが提供したレビューを肯定的,否定的な極性に分類する深層学習技術(BiLSTM)を提案する。
テストデータセットの評価の結果、BiLSTM技術は91.35%の精度で生成された。
論文 参考訳(メタデータ) (2020-11-19T06:24:42Z) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳(メタデータ) (2020-06-11T16:15:06Z) - 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) - Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。
テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
論文 参考訳(メタデータ) (2020-04-21T16:54:57Z)
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。