基于图神经网络的虚假评论群组检测算法
这是一篇关于虚假评论群组,异构图,图神经网络,聚类,InfoMap算法的论文, 主要内容为电商平台中的用户在购买商品时,通常会参考之前消费者的历史评论信息。因此,许多不良商家通过雇佣水军对商品进行虚假评论,以损害其他用户权益和平台利益为代价,从中谋取非法暴利。这种水军团伙称为虚假评论群组,与单个虚假评论者相比,虚假评论群组对电商平台的危害更大,严重影响了电子商务企业的可持续发展。许多研究学者对虚假评论群组检测进行了研究,但是仍存在了一些问题。例如,一些现有的检测方法无法充分挖掘用户与商品之间的交互信息,使得用户嵌入不能全面的表示用户特征,限制了检测算法的性能。此外,一部分研究侧重于人工构建检测指标,然而这种方式不仅效率低下,而且设计的指标难以应对不同的数据集。针对上述问题,本文对虚假评论群组检测提出两种解决方案。首先,针对现有方法不能充分挖掘用户与商品之间的交互关系,导致节点嵌入表示效果不佳的问题,提出一种基于图卷积网络的虚假评论群组检测算法。该算法通过构建一个层注意力图卷积网络模型(LAGCN)进行用户特征向量的表示。LAGCN通过图卷积网络深度挖掘用户之间的潜在联系,并通过注意力机制将不同层的嵌入加权求和,从而更全面深入地表示节点的特征。在得到用户节点的特征向量之后,对其进行聚类将用户划分到不同的候选群组中,并提出指标对候选群组进行判别。其次,为了解决多数研究方法侧重于通过人工特征工程构建检测指标,并且所提指标难以应付不同数据集的问题,提出一种基于半监督图神经网络的虚假评论群组检测算法。该算法不再依赖人工提出检测指标,而是通过构建一个半监督图神经网络模型,对带少量标签的单个用户进行训练,学习预测所有用户的标签。之后再通过获取的标签生成指标,以此来代替人工提取指标进行群组检测。最后,将本文所提的两种算法和现有的四种算法在Amazon数据集和Miami数据集上进行了实验,并对实验结果进行了对比分析。
基于异构网络节点嵌入的虚假评论群组检测算法
这是一篇关于虚假评论群组,异构信息网络,随机游走,K-Means,卷积神经网络的论文, 主要内容为近年来,随着电子商务网站及社交网络的快速发展,评论信息成为决定人们是否消费的重要因素。然而,虚假评论群组的存在影响了电商平台的真实性和公平性。为了检测虚假评论群组,人们进行了各种研究。这些方法存在的共同问题是不能很好的识别出虚假评论群组,导致检测精度不高。本课题围绕当前研究的局限性,从以下两方面进行了研究,具体内容如下。首先,针对现有算法无法充分挖掘用户之间的潜在关系且没有对检测指标进行重要程度的划分问题,提出基于元图的虚假评论群组检测算法。该算法通过提取用户、产品的评论时间和评分等信息,构建基于元图的异构网络,挖掘用户之间的潜在关系。之后采用改进的Deepwalk算法进行游走得到用户节点的低维向量表示,通过Canopy算法与K-Means算法相结合进行聚类得到虚假评论候选群组。并根据熵值法计算各检测指标的动态权重,将划分权重后的各检测指标融合得到群组怀疑度并对其进行排序,从而识别虚假评论群组。其次,针对现有算法对产品评论信息中相关属性挖掘不充分的问题,提出基于特征融合的虚假评论群组检测算法。算法融合了产品与评论时间、产品与评分产生两个新属性,构建用户与新属性融合后得到的基于特征融合的异构网络,采用节点嵌入的思想得到用户的向量表示。将用户向量输入到卷积神经网络中进行训练,根据用户预测值进行分阶段聚类,计算候选群组中的用户紧密度划分出虚假评论群组,得到最终检测结果。最后,对于本文中所提的算法,在Amazon和Miami数据集上进行实验,并将实验和已有算法进行对比,实验结果表明,本文提出的算法在给定数据集上的精确率与召回率方面具有一定优势。
基于图神经网络的虚假评论群组检测算法
这是一篇关于虚假评论群组,异构图,图神经网络,聚类,InfoMap算法的论文, 主要内容为电商平台中的用户在购买商品时,通常会参考之前消费者的历史评论信息。因此,许多不良商家通过雇佣水军对商品进行虚假评论,以损害其他用户权益和平台利益为代价,从中谋取非法暴利。这种水军团伙称为虚假评论群组,与单个虚假评论者相比,虚假评论群组对电商平台的危害更大,严重影响了电子商务企业的可持续发展。许多研究学者对虚假评论群组检测进行了研究,但是仍存在了一些问题。例如,一些现有的检测方法无法充分挖掘用户与商品之间的交互信息,使得用户嵌入不能全面的表示用户特征,限制了检测算法的性能。此外,一部分研究侧重于人工构建检测指标,然而这种方式不仅效率低下,而且设计的指标难以应对不同的数据集。针对上述问题,本文对虚假评论群组检测提出两种解决方案。首先,针对现有方法不能充分挖掘用户与商品之间的交互关系,导致节点嵌入表示效果不佳的问题,提出一种基于图卷积网络的虚假评论群组检测算法。该算法通过构建一个层注意力图卷积网络模型(LAGCN)进行用户特征向量的表示。LAGCN通过图卷积网络深度挖掘用户之间的潜在联系,并通过注意力机制将不同层的嵌入加权求和,从而更全面深入地表示节点的特征。在得到用户节点的特征向量之后,对其进行聚类将用户划分到不同的候选群组中,并提出指标对候选群组进行判别。其次,为了解决多数研究方法侧重于通过人工特征工程构建检测指标,并且所提指标难以应付不同数据集的问题,提出一种基于半监督图神经网络的虚假评论群组检测算法。该算法不再依赖人工提出检测指标,而是通过构建一个半监督图神经网络模型,对带少量标签的单个用户进行训练,学习预测所有用户的标签。之后再通过获取的标签生成指标,以此来代替人工提取指标进行群组检测。最后,将本文所提的两种算法和现有的四种算法在Amazon数据集和Miami数据集上进行了实验,并对实验结果进行了对比分析。
基于网络结构特征的大规模虚假评论群组识别
这是一篇关于电子商务,虚假评论群组,评论网络结构,网络行为得分,层次聚类的论文, 主要内容为随着Web 2.0与电子商务行业的迅速发展,用户在线评论在电子商务中发挥着至关重要的作用,其中所有评论者都能够自动生成信息,这类信息即为电子商务中产品的评论信息。在现实世界中存在大量评论信息,同时规模还在不断扩大。事实上,购物评论对消费决策的影响其来久矣,只是网络购物将其显性化而已。随着互联网兴起与电商行业的迅速发展,许多商家意识到网络评论的重要性,借助其开放性与匿名性的优势,雇佣网络水军发表虚假评论以达到操控商品评论信息的目的。基于这种水军团伙作案的背景,本文对虚假评论群组识别进行相关研究。通过梳理已有的研究发现,目前虚假评论的识别方法主要依据评论内容的文本特征和评论者的行为特征,而评论内容与评论者行为又容易伪造与模仿,行为特征还存在冷启动问题,且这两类方法只能对虚假评论逐个识别。为了克服以上弱点,本文考虑分析虚假评论的网络结构特征,通过分析评论者的网络行为及评论者节点间的网络结构特征定义相邻节点多样性与自相似性两项指标,利用累积分布函数估算其概率并合成网络行为得分,以得分高的可疑产品为种子建立2-hop子图,筛选子图中高度相似的虚假评论候选群组后,利用GroupStrainer算法对其进行聚类合并,以发现隐藏的虚假评论群组。利用亚马逊四类最畅销的产品数据集(图书音像类、手机数码类、美妆个护类和家居生活类)进行实证分析的结果表明,文中提出的方法能够有效识别隐藏较深的大规模虚假评论群组,综合群组内容的统计分析发现,虚假评论群组对目标产品的攻击模式存在产品类别差异,虚假评论群组比真实评论者对目标产品具有更强的集中度,但同时也会利用其它非目标产品对自身进行伪装以弱化其可疑性。将算法得出的虚假评论与真实评论对比,虚假评论的同质性非常明显,评论日期更加紧凑,评论者集中度较高,但是虚假评论的评论等级并不高于真实评论,说明虚假评论群组的作业方式并非简单直接刷高评论等级,而是更倾向于通过文本好评来吸引消费者。全文主要包括以下几方面工作:(1)为充分了解用户在线评论与虚假评论的属性及特点,本文在核心实证部分之前对其进行详细论述,理论分析了网络结构特征的基本属性,明确大规模虚假评论群组识别的理论前提,深入研究了虚假评论的来源以及在电商平台中的形成过程,阐述了相应的消费者防御理论并详细探讨了存在虚假评论时网购消费者的决策过程,以用户在线评论与虚假评论为对象构建相应的理论框架,为下一步识别研究提供有力的理论支持。(2)为大量提高识别方法的准确性,本文在核心实证部分采用两步探测法创建群组识别模型,即先筛选可疑目标产品所对应的高度相似的虚假评论者,再对剩余评论者聚类合并至对应的群组中,从而挖掘潜藏较深的虚假评论群组。从可疑产品背后的虚假评论者出发,避开电商数据的量级大且结构复杂的特性,直接检测虚假评论群组的可疑行为会有效减少识别的时长与复杂度。(3)为充分体现商品的可疑性并具体量化其可疑行为,本文在核心实证部分的第一步引入相邻节点多样性与自相似性两项得分指标,采用累积分布函数估计其概率的方法将其整合为一个综合得分指标——网络行为得分。为了避免产品类别的特殊性对实验结果产生影响,本文提取销量前四的亚马逊产品数据并进行数据清洗,将网络行为得分应用于该部分数据且定位出可疑目标产品,进而挖掘其背后的所有评论用户。(4)将可疑目标产品采用2-hop子图的方式诱导出虚假评论者评论的所有可疑产品,并存储于邻接矩阵中,利用层次聚类算法再将邻接矩阵中的评论者类合并至对应的群组中,存在两步关键操作,一是合并过程中并非直接对整个邻接矩阵中的评论者类进行合并,而是根据阈值的调整与迭代次数的设置筛选出潜藏较深的虚假评论者进行合并,二是在合并过程中结合局部敏感哈希算法进行聚类合并能够大幅度提升合并效率。(5)为有效验证本文提出的两步探测法具有良好的识别效果,结合应用数据驱动的无监督学习方法,首次提出虚假评论者共谋得分、虚假评论者共谋均分以及评论集中度的测量指标,该指标直接量化虚假评论群组的可疑评论行为,并将虚假评论与真实评论数据从统计特征与结构特征进行多角度对比;同时将其他聚类算法与本文聚类算法的实验结果进行对比来验证本文算法的稳健性。本文的不足之处有:一是针对性强度不够。针对不同电商平台和点评网站的特性和差异之处,结合识别方法的更迭进化,需再次修改和完善识别方案,更准确地识别在线评论的真伪性;二是识别研究的全面性不够广。倘若充分利用评论样本的文本特征,并将其与评论行为和网络结构相结合,从多角度出发,不仅在用户与产品之间的评论行为上构建网络结构,更能从文本特征上找出识别虚假评论群组的线索。
基于异构信息网络的虚假评论群组检测
这是一篇关于虚假评论群组,异构信息网络,有偏游走,对抗网络的论文, 主要内容为随着互联网技术的不断发展,电子商务也随之兴起,商品的评论成为了人们进行购买决策时重要的参考信息。为了获得可观的收益,商家通常雇佣多个虚假评论发布人对其竞争对手的产品进行恶意评论来诋毁产品的质量或者对自身的产品进行良好的评论来增加产品销售量。这些被雇佣一起进行不实评论的团体叫做虚假评论群组。对比于单个虚假评论人,虚假评论群组更隐蔽,对电商平台产生的威胁更大,严重影响了电商平台的公平性。为检测虚假评论群组,人们提出了各种检测方法。然而,这些方法存在着不能充分利用已有的信息和检测精度不高的问题。为解决上述问题,本课题从以下两方面进行研究。首先,针对不能充分利用现有信息的问题,本文提出一种基于异构信息网络的有偏游走虚假群评论组检测算法。该算法根据用户和商品评价信息建立具有权重信息的异构信息网络,采用元路径上有偏游走的方法生成用户和项目节点的低维向量表示。对用户向量采用K-Means++得到候选虚假评论群组,根据检测指标计算群组怀疑度。检测出虚假评论群组。其次,针对之前算法负采样只能选取现有节点不能更好的模拟真实节点的问题,提出一种基于生成对抗网络的虚假评论群组检测算法。算法将数据集中的购买与被购买关系提取出来,通过生成对抗网络中的广义生成器和关系感知鉴别器互相训练,生成更具代表性的节点特征向量。利用聚类方法对用户嵌入进行聚类,根据指标对候选群组排序。最终得到虚假评论群组。最后,本文提出的算法,在Amazon评论数据集及Miami评论数据集上进行了实验,并和已有的算法进行对比,用实验验证了两种算法的有效性。
基于图对比学习的虚假评论群组检测方法
这是一篇关于虚假评论群组,图神经网络,图对比学习,聚类的论文, 主要内容为电商平台的评论是消费者获取产品信息的重要来源,同时也是影响消费者购买决策的关键因素。然而,一些不法商家为了攫取更多利益,雇佣水军对目标产品进行虚假评论,以提高或降低目标产品的销量。相比单个的虚假评论用户,虚假评论群组对电商平台的危害性更大,为检测虚假评论群组,国内外研究学者进行了大量研究,这些方法的主要步骤分为候选群组划分和虚假评论群组检测两个阶段。然而候选群组划分阶段存在不能发现参与多个虚假评论群组的用户以及分析数据集角度单一的问题,虚假评论群组检测阶段存在依赖数据集人工标注以及无法体现不同指标差异性的问题。针对这些问题,本文从以下两方面进行研究。首先,针对现有方法不能发现参与多个虚假评论群组的用户以及依赖数据集人工标注的问题,本文提出一种基于局部扩展和图对比学习的虚假评论群组检测方法。该方法基于路径相似度和用户-产品评分矩阵构建加权用户关系图;根据优化传导率的局部扩展方法划分可能存在合谋行为的候选群组;采用拓扑结构数据增强方式对候选群组进行数据增强,结合局部互信息最大化训练对比学习模型参数,得到高质量的群组低维向量表示;利用孤立森林计算候选群组异常分数值对其排序,检测出虚假评论群组。其次,针对现有方法分析数据集角度单一以及检测指标权重分配差异性较低的问题,本文提出一种基于超图对比学习的虚假评论群组检测方法。该方法通过分析原始数据集,将用户节点视为超边,用户购买产品的集合视为超节点构建同构超图,并对其进行转化得到变换后的超图和线图;在此基础上,利用超图卷积和线图卷积两个通道进行对比学习,结合全局互信息最大化优化模型参数获取用户低维向量表示;使用聚类算法对相似用户进行划分得到候选群组;利用熵值法计算群组可疑度值并对其排序,检测出虚假评论群组。最后,为了验证本文方法的有效性和合理性,在Amazon、Yelp数据集上对本文提出的两种检测方法进行了实验,并与现有的方法进行了对比分析。实验结果表明,本文方法在精确率和召回率方面均优于对比方法,表现出较好的检测效果。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/55958.html
