Fugu-MT 論文翻訳(概要): Mitigating Human and Computer Opinion Fraud via Contrastive Learning

論文の概要: Mitigating Human and Computer Opinion Fraud via Contrastive Learning

arxiv url: http://arxiv.org/abs/2301.03025v1
Date: Sun, 8 Jan 2023 12:02:28 GMT
ステータス: 処理完了
システム内更新日: 2023-01-10 18:05:32.455425
Title: Mitigating Human and Computer Opinion Fraud via Contrastive Learning
Title（参考訳）: コントラスト学習による人間とコンピュータの意見詐欺の軽減
Authors: Yuliya Tukmacheva, Ivan Oseledets, Evgeny Frolov
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce the novel approach towards fake text reviews detection in collaborative filtering recommender systems. The existing algorithms concentrate on detecting the fake reviews, generated by language models and ignore the texts, written by dishonest users, mostly for monetary gains. We propose the contrastive learning-based architecture, which utilizes the user demographic characteristics, along with the text reviews, as the additional evidence against fakes. This way, we are able to account for two different types of fake reviews spamming and make the recommendation system more robust to biased reviews.
Abstract（参考訳）: 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する。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。これにより、2つの異なるタイプの偽レビューのスパム行為を説明でき、偏りのあるレビューに対してレコメンデーションシステムがより堅牢になります。

関連論文リスト

Enhanced Review Detection and Recognition: A Platform-Agnostic Approach with Application to Online Commerce [0.46040036610482665]
本稿では,検出・抽出のための機械学習手法を提案する。トレーニングデータに含まれていないウェブサイトにまたがって使用するために一般化されていることを実証する。この方法は、ソースに関係なく、レビューの自動検出と評価のためにアプリケーションを駆動することを約束する。
論文参考訳（メタデータ） (2024-05-09T00:32:22Z)
Verifying the Robustness of Automatic Credibility Assessment [79.08422736721764]
テキスト分類法は信頼性の低い内容を検出する手段として広く研究されている。入力テキストの無意味な変更は、モデルを誤解させることがある。偽情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAを紹介する。
論文参考訳（メタデータ） (2023-03-14T16:11:47Z)
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)
Social Fraud Detection Review: Methods, Challenges and Analysis [42.30892608083864]
社会的レビューはウェブを支配しており、製品情報の信頼できる情報源となっている。企業は、単一のユーザ、ユーザグループ、あるいは不正コンテンツを生成するために訓練されたボットを使用して、偽情報を広めるために、ソーシャル情報を利用する。多くの研究がユーザ行動に基づくアプローチを提案し、不正検出の課題に対処するためのテキストをレビューした。
論文参考訳（メタデータ） (2021-11-10T11:25:20Z)
Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文参考訳（メタデータ） (2020-11-02T08:07:50Z)
Fact or Factitious? Contextualized Opinion Spam Detection [9.415901312074336]
有効であることが判明した機械学習アプローチを多数適用し、テクスチャ化された埋め込みの微調整による独自のアプローチを導入します。その結果, 偽レビュー検出のためのコンテキスト埋め込みの可能性を示し, 今後の研究の基盤となるものと考えられる。
論文参考訳（メタデータ） (2020-10-29T00:59:06Z)
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)
Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
論文参考訳（メタデータ） (2020-09-16T07:32:51Z)
A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
論文参考訳（メタデータ） (2020-06-02T13:34:11Z)
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。