論文の概要: What Matters in Explanations: Towards Explainable Fake Review Detection Focusing on Transformers
- arxiv url: http://arxiv.org/abs/2407.21056v1
- Date: Wed, 24 Jul 2024 13:26:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 19:28:03.094640
- Title: What Matters in Explanations: Towards Explainable Fake Review Detection Focusing on Transformers
- Title（参考訳）: 説明の要点:変圧器に着目した説明可能なフェイクレビュー検出に向けて
- Authors: Md Shajalal, Md Atabuzzaman, Alexander Boden, Gunnar Stevens, Delong Du,
- Abstract要約: 顧客のレビューとフィードバックは、Amazon、Zalando、eBayなどのEコマースプラットフォームにおいて重要な役割を果たす。
売り手が偽レビューやスパムレビューを投稿し、潜在的な顧客を欺き、製品に関する意見を操作しているという懸念が有力である。
本稿では,偽レビューを高精度に検出するための説明可能なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 45.55363754551388
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Customers' reviews and feedback play crucial role on electronic commerce~(E-commerce) platforms like Amazon, Zalando, and eBay in influencing other customers' purchasing decisions. However, there is a prevailing concern that sellers often post fake or spam reviews to deceive potential customers and manipulate their opinions about a product. Over the past decade, there has been considerable interest in using machine learning (ML) and deep learning (DL) models to identify such fraudulent reviews. Unfortunately, the decisions made by complex ML and DL models - which often function as \emph{black-boxes} - can be surprising and difficult for general users to comprehend. In this paper, we propose an explainable framework for detecting fake reviews with high precision in identifying fraudulent content with explanations and investigate what information matters most for explaining particular decisions by conducting empirical user evaluation. Initially, we develop fake review detection models using DL and transformer models including XLNet and DistilBERT. We then introduce layer-wise relevance propagation (LRP) technique for generating explanations that can map the contributions of words toward the predicted class. The experimental results on two benchmark fake review detection datasets demonstrate that our predictive models achieve state-of-the-art performance and outperform several existing methods. Furthermore, the empirical user evaluation of the generated explanations concludes which important information needs to be considered in generating explanations in the context of fake review identification.
- Abstract（参考訳）: 顧客のレビューやフィードバックは、Amazon、Zalando、eBayなどの電子商取引(Eコマース)プラットフォームにおいて、他の顧客の購入決定に影響を与える重要な役割を担っている。
しかし、売り手が偽レビューやスパムレビューを投稿し、潜在的な顧客を欺き、製品に関する意見を操作しているという懸念が有力である。
過去10年間で、このような不正なレビューを特定するために機械学習(ML)とディープラーニング(DL)モデルを使うことに大きな関心が寄せられている。
残念なことに、複雑なMLとDLモデル - しばしば 'emph{black-boxes}' として機能する - による決定は、一般ユーザーが理解するのは驚きで難しい。
本稿では,偽レビューを高精度に検出し,説明付き不正コンテンツを特定するためのフレームワークを提案し,経験的ユーザ評価を行うことで,特定の判断を説明する上で最も重要な情報について検討する。
まず,XLNet や DistilBERT などのトランスフォーマーモデルと DL を用いた偽レビュー検出モデルを開発した。
次に,単語のコントリビューションを予測クラスにマッピング可能な説明を生成するためのレイヤワイド関連伝搬(LRP)手法を提案する。
2つのベンチマークによる偽レビュー検出データセットの実験結果から,我々の予測モデルが最先端の性能を達成し,既存手法よりも優れていることが示された。
さらに、生成した説明文の実証的ユーザ評価は、偽レビュー識別の文脈で説明文を生成する際に、どの重要な情報を考慮する必要があるかを結論付けている。
関連論文リスト
- Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation [26.214148426964794]
ユーザの感情に焦点をあてた新しいデータセットと評価手法を導入する。
購入後のレビューから,ユーザの肯定的,否定的な意見を明示的に抽出し,データセットを構築する。
生成した説明文がユーザの感情に合致するかどうかに基づいてシステムを評価することを提案する。
論文 参考訳（メタデータ） (2024-10-17T06:15:00Z) - 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) - 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) - 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) - Fake or Genuine? Contextualised Text Representation for Fake Review
Detection [0.4724825031148411]
本稿では, トランスフォーマーアーキテクチャを用いて, 偽レビューのシーケンス中に隠されたパターンを発見し, 正確に検出する新しいアンサンブルモデルを提案する。
半現実的なベンチマークデータセットを用いた実験結果から,提案モデルが最先端モデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2021-12-29T00:54:47Z) - Explain, Edit, and Understand: Rethinking User Study Design for
Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。
単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文 参考訳（メタデータ） (2021-12-17T18:29:56Z) - SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item
Recommendation [48.1799451277808]
本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。
まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。
そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
論文 参考訳（メタデータ） (2021-08-18T08:04:38Z) - E-commerce Query-based Generation based on User Review [1.484852576248587]
本稿では,従来のユーザによるレビューに基づいて,ユーザの質問に対する回答を生成するための新しいセク2seqベースのテキスト生成モデルを提案する。
ユーザの質問や感情の極性が与えられた場合,関心事の側面を抽出し,過去のユーザレビューを要約した回答を生成する。
論文 参考訳（メタデータ） (2020-11-11T04:58:31Z) - 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)
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。