Neural networks for deceptive opinion spam detection: An empirical study

بررسی محصولات به طور فزاینده ای توسط افراد و سازمان ها برای تصمیم گیری های خرید و کسب و کار مورد استفاده قرار می گیرد. اسپم ها به دنبال تمایل به سود، بررسی های سنتز شده را برای ترویج بعضی از محصولات یا کاهش محصولات رقبا تولید می کنند. بنابراین تشخیص اسپم فریبنده در سال های اخیر توجه بسیاری را از جوامع تجاری و تحقیقاتی به خود جلب کرده است. رویکردهای اصلی به طور عمده بر ویژگی های سنتی گسسته، که بر پایه نشانه های زبانی و روان شناختی تمرکز می کنند، تمرکز می کنند. با این حال، این روش ها قادر به رمزنگاری معنای معنایی یک سند از دیدگاه گفتمان نیستند، که عملکرد را محدود می کند. در این کار، ما تجربی یک مدل شبکه عصبی برای کشف نمایندگی در سطح سند برای شناسایی اسپم افکار فریبنده کشف کردیم. اولا، مدل بیان جملات را با شبکه عصبی کانولوشه می آموزد. سپس نمایه های سخنرانی با استفاده از یک شبکه عصبی مکرر ترکیب می شوند که می تواند اطلاعات گفتمان را شکل دهد و یک بردار سند را تولید کند. در نهایت، نمایه های سند به طور مستقیم به عنوان ویژگی هایی برای شناسایی هرزنامه های فریبنده مورد استفاده قرار می گیرند. بر اساس سه مجموعه داده های دامنه، نتایج آزمایشات در دامنه و متقابل دامنه نشان می دهد که روش پیشنهادی ما از روش های پیشرفته تر بهتر است.