5篇关于虚假评论的计算机毕业论文

今天分享的是关于虚假评论的5篇计算机毕业论文范文, 如果你的论文涉及到虚假评论等主题,本文能够帮助到你

融合文本语义与情感的虚假评论检测系统的研究与实现

这是一篇关于虚假评论,神经网络,表示学习,注意力机制,特征融合的论文, 主要内容为近年来,随着网民规模的不断扩大和电子商务的快速发展,使产品评论的数量呈现出高速增长的趋势,并成为了消费者在消费时的一个重要的参考指标。由于目前的线上评论环境仍然缺乏监管和约束,有些不良商家企图通过发布大量虚假评论来干扰消费者的决策。这种做法严重破坏了线上的评论生态,损害了消费者的个人利益。然而,面对网站中每天数以万计的评论,通过人工的方式对虚假评论进行过滤和筛选并不现实。因此如何利用计算机对电商网站中的虚假评论进行准确、高效的检测已经成为当前自然语言处理领域一个重要的研究方向。本文以中文在线评论数据为切入点,利用数据挖掘、神经网络和Web开发等相关技术,设计并实现了一个面向在线旅游平台的虚假评论检测系统。论文的主要工作如下:(1)设计并实现了一个基于浏览器-服务器(B/S)架构的虚假评论检测系统。系统由数据访问模块、数据采集模块、特征提取模块、检测算法模块、前端应用模块和后台管理模块六部分组成。数据访问模块为其他模块与数据库之间的交互提供统一接口;数据采集模块负责对目标网站上的数据进行定时增量采集,并对数据进行规范化处理后保存至数据库;特征提取模块完成对数据的特征提取;检测算法模块的作用是对虚假评论检测模型进行训练与部署;前端应用模块则依托Flask框架搭建了 Web服务,为用户提供评论检测、检测结果可视化和检测结果反馈三种功能;最后,后台管理模块为管理员提供了数据管理和系统运行状态管理的功能。(2)构建了一个融合文本语义与情感的虚假评论检测模型(Semantic And Sentiment Fusion Model For Spam Review Detection,SSFM)。根据虚假评论在内容和结构上的特点,SSFM模型利用循环神经网络对评论的深层语义信息和深层情感信息进行提取,并在此基础上提出三种语义信息与情感信息的融合方法,即基于池化的方法、基于卷积神经网络的方法和基于交互注意力机制的方法,从而得到包含丰富的语义和情感信息的文本表示向量。最后,特征融合层将文本表示向量与用户信息特征、商家信息特征进行进一步融合,实现对虚假评论更加准确的识别。(3)针对现阶段虚假评论检测领域缺乏中文数据集的问题,通过获取国内在线旅游平台中某地区所有酒店的评论数据以及相关的用户信息数据和商家信息数据,并对数据进行标注,从而构建了一个酒店领域虚假评论检测数据集。同时,针对虚假评论发布过程中涉及到的评论用户、评论对象和评论内容三个主体,从用户信息、商家信息、文本语义信息和文本情感信息四个方面着手,利用数据挖掘和文本表示学习技术对数据进行了特征提取。

考虑产品质量属性、部分顾客理性和多期动态决策的虚假评论监管策略研究

这是一篇关于虚假评论,监管策略,产品质量属性,部分顾客理性,多期动态决策的论文, 主要内容为电子商务发展迅猛,网络购物已经成为人们的重要采购渠道。网络电商利用信息不对称特点操控在线评论,通过虚假评论提高产品需求。由于虚假评论的存在,消费者阅读在线评论后所获悉的产品质量高于其实际质量,一些本不会购买产品消费者在虚假评论迷惑下做出购买决定。为治理虚假评论,政府和各电商平台出台了一系列政策。然而,一方面,过于严苛的惩罚政策会使得网络电商不再采取措施鼓励消费者在线评论,在线评论数量减少,消费者能得到的产品信息减少;另一方面,过于宽松的监管环境又会“纵容”虚假评论。因此如何合理设置监管策略,既能促进在线评论又能避免虚假评论是监管者们需要解决的问题。本文从产品、顾客和时间三个维度来分析虚假评论的监管问题。首先,按照产品质量属性,将产品分成搜索型和体验型两种类型,考虑供应链纵向竞争,建立Stackelberg博弈模型,通过比较消费者剩余和社会福利,给出优化后的惩罚强度。其次,考虑横向同类产品竞争和消费者价格偏好,引入部分顾客理性,建立信号博弈模型,探究当消费者意识到虚假评论的存在,理性顾客验证在线评论真实性情形下的虚假评论监管策略。最后,考虑到上一阶段的虚假评论会对下一阶段的需求产生负面影响,运用动态规划方法,探究多期动态决策下的虚假评论监管策略。根据分析结果,本文给出以下关于虚假评论监管建议。(1)对于体验型产品,监管者需要设置相对较大的惩罚强度;对于搜索型产品,应采用相对较小惩罚强度。这样分类监管既扩大了产品的“评论池”又可以让夸大程度保持在极低水平上,从而使评论近似于真实评论,增加消费者剩余和社会福利。(2)从供应链纵向竞争的角度,对于体验型产品,增加惩罚强度对制造商有利,所以监管者可以联合制造商监管网络电商;对于搜索型产品,增加惩罚强度对制造商不利,所以监管者应加强对制造商的监管,防止制造商包庇网络电商甚至与其“狼狈为奸”。(3)当同类产品横向竞争时,如果消费者后验概率较小、消费者价格偏好中等且产品质量差值较大时,减小惩罚强度有利于消费者剩余和社会福利增加;若消费者后验概率较大,此时无论消费者价格偏好和产品质量差值,都应采用严厉的惩罚强度,让低质量网络电商不再操控在线评论。(4)当消费者后验概率较小、消费者价格偏好中等且产品质量差值较大时,理性顾客占比越高越好,否则随着理性顾客的增加,验证在线评论总成本的增加将高于消费者验证评论后所获得净效用的增加,造成弊大于利的结果。监管者可以利用这一特点,当产品质量差值较大时,鼓励消费者积极验证在线评论;当产品质量差值比较小时,则鼓励消费者直接购买产品。(5)在多期动态决策中,如果虚假评论的负面影响较小,可以将惩罚强度设置为中等;当虚假评论的负面影响较大时,监管者应采取严厉的监管措施禁止网络电商操控在线评论,因为在此情况下,虚假评论会损害消费者利益并且降低社会福利。

基于图卷积网络的电商平台虚假评论识别研究

这是一篇关于图卷积网络,虚假评论,深度学习,主动学习的论文, 主要内容为随着电子商务产业的迅猛发展,越来越多的消费者选择在电商平台购买产品和服务,而对于该商品的评价是消费者选择购买与否的一个重要参考。虚假评论隐藏在电商平台的海量评论数据中,对消费者有效选择商品会产生严重干扰。为进一步实现对虚假评论的有效识别,以电商平台的评论数据为切入点,构建了有标注的中文虚假评论数据集,基于一个双层图卷积网络建立了一个虚假评论识别模型,且在模型的基础上设计和实现了一个电商平台虚假评论识别系统。为了解决先前虚假评论识别缺少中文标注数据集的问题,构建了一个中文虚假评论数据集。使用网络爬虫自动化地采集了京东平台上大量商品评论数据,在对数据集中的评论文本进行数据过滤、分词、停用词过滤后,综合应用结合主动学习(AL,Active Learning)的机器学习分类器和重复评论识别来完成评论数据的标注,有效地构建了数据集。使用图卷积神经网络(GCN,Graph Convolutional Networks)建立了虚假评论识别模型。使用评论文本构造评论-词异构图作为模型输入,送入两层的GCN网络进行训练。在对模型进行优化后利用构建的数据集进行了虚假评论识别实验,与Text CNN和Text RNN相比较,模型能获得更高的准确率,验证了模型的有效性。基于虚假评论识别模型设计和实现了一个电商平台虚假评论识别系统。用户在系统中提交评论文本,系统将判别并展示评论的真假。