基于Web質(zhì)量模型特征模型的垃圾評論特征分析與檢測.pdf

1、電子商務(wù)的快速發(fā)展使得在線購物變得普及，商品評論作為最重要的用戶反饋，其數(shù)量正呈現(xiàn)爆炸性增長?；诠叫砸约按碳び脩舻幕有?，電子商務(wù)平臺大多會公開商品的評論，這使得該類型的用戶反饋不僅能指導(dǎo)商家改進服務(wù)和產(chǎn)品質(zhì)量，也能為其他用戶的購買決策提供參考。好評率高的商品能吸引更多的購買量，反之則會嚴重影響銷量?；诖?，商品評論成為了商家爭奪的戰(zhàn)場，一些無良商家會通過給自家商品“刷好評”或者給競爭對手的商品“刷差評”的方式誤導(dǎo)消費者，導(dǎo)致不正當

2、競爭。
　　本文分析了真實和垃圾評論的異同，基于WebQM模型分析垃圾評論的多維度特征，從評論源維度，評論內(nèi)容維度，以及評論表達維度捕捉垃圾評論的具有高區(qū)分度的特點。通過應(yīng)用或改進兩類分類算法，實現(xiàn)垃圾評論檢測，取得了較好的檢測效果。
　　本文采用了兩個真實的商品評論數(shù)據(jù)集。針對已標注的黃金標準數(shù)據(jù)集，本文從評論內(nèi)容、評論表達兩個維度對垃圾評論與真實評論的不同點進行分析了并提取特征，改進了傳統(tǒng)的PU學(xué)習(xí)算法，應(yīng)用于垃圾評論檢

3、測實驗。通過比較不同算法的檢測性能，驗證改進型PU學(xué)習(xí)算法在垃圾評論檢測中具有優(yōu)勢，實現(xiàn)了86％的F1值。針對未標注的亞馬遜數(shù)據(jù)集，本文首先進行Simhash標注并構(gòu)建了容量為3000條的實驗樣本集，通過對數(shù)據(jù)集中各屬性數(shù)據(jù)特點分析，提取了評論源維度特征，同時基于亞馬遜數(shù)據(jù)的特點擴充了評論內(nèi)容及評論表達特征。在此基礎(chǔ)上，本文對數(shù)據(jù)集不平衡問題進行處理，將GBDT梯度提升決策樹算法應(yīng)用至亞馬遜數(shù)據(jù)集垃圾評論檢測，并與其它算法進行了效果對比