کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10321779 660751 2015 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Detection of opinion spam based on anomalous rating deviation
ترجمه فارسی عنوان
تشخیص اسپم عقیده بر اساس انحراف رتبه ناخوشایند
کلمات کلیدی
تشخیص آنومالی، رگرسیون دو جانبه، طبقه بندی، بررسی آنلاین محصول، نظر اسپم، بررسی هرزنامه،
ترجمه چکیده
در این مقاله، ما در نظر گرفتن سوء استفاده از اسپم ها از رتبه بندی متوسط ​​برای محصولات، با تمرکز بر تفاوت های بین رتبه بندی هرزنامه ها و نظر اکثریت از بررسی های صادقانه. ما پیشنهاد می کنیم یک روش سبک وزن و موثر برای شناسایی اسپم ها در نظر گرفته شده بر اساس این تفاوت ها. این روش از رگرسیون دو زاویه ای برای شناسایی داوران استفاده می کند که دارای نسبت ناهمگونی رأی ها هستند که از نظر اکثریت متضرر می شوند. آزمایشات مربوط به داده های واقعی و مصنوعی نشان می دهد که رویکرد ما قادر به شناسایی اسپم ها است. در مقایسه با رویکرد فعلی از هنر گذشته، تنها بر اساس رتبه بندی، نشان می دهد که روش ما قادر به دستیابی به دقت تشخیص مشابه در حالی که حذف نیاز به فرض های مربوط به احتمال بررسی هرزنامه و غیر اسپم و کاهش محاسبات سنگین مورد نیاز برای یادگیری
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
In this paper, we consider opinion spammers manipulation of average ratings for products, focusing on differences between spammer ratings and the majority opinion of honest reviewers. We propose a lightweight, effective method for detecting opinion spammers based on these differences. This method uses binomial regression to identify reviewers having an anomalous proportion of ratings that deviate from the majority opinion. Experiments on real-world and synthetic data show that our approach is able to successfully identify opinion spammers. Comparison with the current state-of-the-art approach, also based only on ratings, shows that our method is able to achieve similar detection accuracy while removing the need for assumptions regarding probabilities of spam and non-spam reviews and reducing the heavy computation required for learning.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 22, 1 December 2015, Pages 8650-8657
نویسندگان
, , , , ,