論文の概要: Spam Review Detection Using Deep Learning
- arxiv url: http://arxiv.org/abs/2211.01675v1
- Date: Thu, 3 Nov 2022 09:41:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 11:56:19.095396
- Title: Spam Review Detection Using Deep Learning
- Title(参考訳): ディープラーニングを用いたスパムレビュー検出
- Authors: G. M. Shahariar, Swapnil Biswas, Faiza Omar, Faisal Muhammad Shah,
Samiha Binte Hassan
- Abstract要約: 多くのオンラインサイトでは、レビューを投稿するオプションがあり、従って偽の有料レビューや非合法レビューのスコープを作成することができる。
これらの批判されたレビューは、一般大衆を誤解させ、レビューを信じるかどうかを混乱させる可能性がある。
スパムレビュー検出の問題を解決するために、著名な機械学習技術が導入されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A robust and reliable system of detecting spam reviews is a crying need in
todays world in order to purchase products without being cheated from online
sites. In many online sites, there are options for posting reviews, and thus
creating scopes for fake paid reviews or untruthful reviews. These concocted
reviews can mislead the general public and put them in a perplexity whether to
believe the review or not. Prominent machine learning techniques have been
introduced to solve the problem of spam review detection. The majority of
current research has concentrated on supervised learning methods, which require
labeled data - an inadequacy when it comes to online review. Our focus in this
article is to detect any deceptive text reviews. In order to achieve that we
have worked with both labeled and unlabeled data and proposed deep learning
methods for spam review detection which includes Multi-Layer Perceptron (MLP),
Convolutional Neural Network (CNN) and a variant of Recurrent Neural Network
(RNN) that is Long Short-Term Memory (LSTM). We have also applied some
traditional machine learning classifiers such as Nave Bayes (NB), K Nearest
Neighbor (KNN) and Support Vector Machine (SVM) to detect spam reviews and
finally, we have shown the performance comparison for both traditional and deep
learning classifiers.
- Abstract(参考訳): スパムレビューを検出する堅牢で信頼性の高いシステムは、オンラインサイトから騙されることなく商品を購入するために、今日の世界では泣き叫ぶ必要性がある。
多くのオンラインサイトでは、レビューを投稿し、偽の有料レビューや非合法レビューのスコープを作成するオプションがある。
これらの簡潔なレビューは、一般大衆を誤解させ、レビューを信じるかどうかを混乱させる可能性がある。
スパムレビュー検出の問題を解決するために、著名な機械学習技術が導入された。
現在の研究の大部分は、オンラインレビューでは不十分なラベル付きデータを必要とする教師付き学習方法に集中している。
この記事の焦点は、偽のテキストレビューを検出することです。
そこで我々は,ラベル付きデータとラベルなしデータの両方を用いて,MLP(Multi-Layer Perceptron),畳み込みニューラルネットワーク(Convolutional Neural Network),Long Short-Term Memory(LSTM)であるRecurrent Neural Network(RNN)の変種を含む,スパムレビュー検出のためのディープラーニング手法を提案する。
また,Nav Bayes(NB),K Nearest Neighbor(KNN),Support Vector Machine(SVM)などの従来の機械学習分類器をスパムレビューの検出に適用し,従来型およびディープラーニング分類器の性能比較を行った。
関連論文リスト
- 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) - 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) - Mitigating Human and Computer Opinion Fraud via Contrastive Learning [0.0]
本稿では,協調フィルタリングレコメンデータシステムにおける偽テキストレビュー検出への新たなアプローチを提案する。
既存のアルゴリズムは、言語モデルによって生成された偽レビューを検出し、不正直なユーザーによって書かれたテキストを無視している。
本稿では,ユーザ人口特性とテキストレビューを,偽造に対する追加的証拠として活用する,対照的な学習ベースアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:02:28Z) - Opinion Spam Detection: A New Approach Using Machine Learning and
Network-Based Algorithms [2.062593640149623]
オンラインレビューは、消費者が製品やサービスを評価し比較する上で重要な役割を果たす。
偽レビュー(オピニオンスパム)が普及し、顧客やサービスプロバイダに悪影響を及ぼしている。
本稿では,機械学習とメッセージパッシングアルゴリズムを組み合わせて,レビュアーをスパマーや良心として分類する手法を提案する。
論文 参考訳(メタデータ) (2022-05-26T15:27:46Z) - Detection of Adversarial Supports in Few-shot Classifiers Using Feature
Preserving Autoencoders and Self-Similarity [89.26308254637702]
敵対的なサポートセットを強調するための検出戦略を提案する。
我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。
提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
論文 参考訳(メタデータ) (2020-12-09T14:13:41Z) - Robust and Verifiable Information Embedding Attacks to Deep Neural
Networks via Error-Correcting Codes [81.85509264573948]
ディープラーニングの時代、ユーザは、サードパーティの機械学習ツールを使用して、ディープニューラルネットワーク(DNN)分類器をトレーニングすることが多い。
情報埋め込み攻撃では、攻撃者は悪意のあるサードパーティの機械学習ツールを提供する。
本研究では,一般的なポストプロセッシング手法に対して検証可能で堅牢な情報埋め込み攻撃を設計することを目的とする。
論文 参考訳(メタデータ) (2020-10-26T17:42:42Z) - A Robust Opinion Spam Detection Method Against Malicious Attackers in
Social Media [0.0]
これは、スマートスパマーがシステムに検出され、ブロックされることを恐れることなく、スパムの生成を継続できる方法で、システムを騙すことができる方法である。
頑健なグラフに基づくスパム検出手法を提案する。
論文 参考訳(メタデータ) (2020-08-19T19:54:44Z) - 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) - Robust Spammer Detection by Nash Reinforcement Learning [64.80986064630025]
我々は,スパマーとスパム検知器が互いに現実的な目標を競うミニマックスゲームを開発する。
提案アルゴリズムは,スパマーが混在するスパマーが実用目標を達成するのを確実に防止できる平衡検出器を確実に見つけることができることを示す。
論文 参考訳(メタデータ) (2020-06-10T21:18:07Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳(メタデータ) (2020-06-10T08:20:13Z) - 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。