基于Web質(zhì)量模型特征模型的垃圾評(píng)論特征分析與檢測(cè).pdf

1、電子商務(wù)的快速發(fā)展使得在線購(gòu)物變得普及，商品評(píng)論作為最重要的用戶反饋，其數(shù)量正呈現(xiàn)爆炸性增長(zhǎng)。基于公平性以及刺激用戶的互動(dòng)性，電子商務(wù)平臺(tái)大多會(huì)公開(kāi)商品的評(píng)論，這使得該類(lèi)型的用戶反饋不僅能指導(dǎo)商家改進(jìn)服務(wù)和產(chǎn)品質(zhì)量，也能為其他用戶的購(gòu)買(mǎi)決策提供參考。好評(píng)率高的商品能吸引更多的購(gòu)買(mǎi)量，反之則會(huì)嚴(yán)重影響銷(xiāo)量?；诖?，商品評(píng)論成為了商家爭(zhēng)奪的戰(zhàn)場(chǎng)，一些無(wú)良商家會(huì)通過(guò)給自家商品“刷好評(píng)”或者給競(jìng)爭(zhēng)對(duì)手的商品“刷差評(píng)”的方式誤導(dǎo)消費(fèi)者，導(dǎo)致不正當(dāng)

2、競(jìng)爭(zhēng)。
　　本文分析了真實(shí)和垃圾評(píng)論的異同，基于WebQM模型分析垃圾評(píng)論的多維度特征，從評(píng)論源維度，評(píng)論內(nèi)容維度，以及評(píng)論表達(dá)維度捕捉垃圾評(píng)論的具有高區(qū)分度的特點(diǎn)。通過(guò)應(yīng)用或改進(jìn)兩類(lèi)分類(lèi)算法，實(shí)現(xiàn)垃圾評(píng)論檢測(cè)，取得了較好的檢測(cè)效果。
　　本文采用了兩個(gè)真實(shí)的商品評(píng)論數(shù)據(jù)集。針對(duì)已標(biāo)注的黃金標(biāo)準(zhǔn)數(shù)據(jù)集，本文從評(píng)論內(nèi)容、評(píng)論表達(dá)兩個(gè)維度對(duì)垃圾評(píng)論與真實(shí)評(píng)論的不同點(diǎn)進(jìn)行分析了并提取特征，改進(jìn)了傳統(tǒng)的PU學(xué)習(xí)算法，應(yīng)用于垃圾評(píng)論檢

3、測(cè)實(shí)驗(yàn)。通過(guò)比較不同算法的檢測(cè)性能，驗(yàn)證改進(jìn)型PU學(xué)習(xí)算法在垃圾評(píng)論檢測(cè)中具有優(yōu)勢(shì)，實(shí)現(xiàn)了86％的F1值。針對(duì)未標(biāo)注的亞馬遜數(shù)據(jù)集，本文首先進(jìn)行Simhash標(biāo)注并構(gòu)建了容量為3000條的實(shí)驗(yàn)樣本集，通過(guò)對(duì)數(shù)據(jù)集中各屬性數(shù)據(jù)特點(diǎn)分析，提取了評(píng)論源維度特征，同時(shí)基于亞馬遜數(shù)據(jù)的特點(diǎn)擴(kuò)充了評(píng)論內(nèi)容及評(píng)論表達(dá)特征。在此基礎(chǔ)上，本文對(duì)數(shù)據(jù)集不平衡問(wèn)題進(jìn)行處理，將GBDT梯度提升決策樹(shù)算法應(yīng)用至亞馬遜數(shù)據(jù)集垃圾評(píng)論檢測(cè)，并與其它算法進(jìn)行了效果對(duì)比