Review Spam Detection by Highlighting Potential Spammers and Diminishing Their Effect
Notice bibliographique
Résumé
Nowadays, millions of products and services are available to the public online. Therefore, searching for the best products which meets individuals' expectations would be difficult due to the existence of too many alternative choices. One of the most reliable approaches to choose a product or service is to exploit the experience of people who have already tried them, and are expected to have reported their almost honest opinions about them. A reviewing system is a place where individuals share their experience on products and services. Individuals may read and/or write their reviews which may be neutral and professional or biased. Moreover, companies utilize reviewing systems to apply opinion mining techniques in order to improve their goods or services and may be to watch their competitors. However, the popularity of reviewing systems ignites this motivation for some people to try to influence viewers by entering their fake reviews to promote some products or defame some others. These spam reviews should be detected and eliminated to prevent misleading potential customers and unethically affect the market. Opinion mining should be adapted to locate and eliminate potential spam reviews. In this paper, some review spam detection approaches have been proposed and examined over a sample dataset. The proposed approaches consider patterns that existed in trends of reviews, as well as reviewers' behavior. The approaches depend on various strategies such as observing abnormal trends, detecting uncommon or suspicious behaviors, investigating group activities, among others. The reported test results revealed some promising outcome.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».