BERT-Based Deceptive Review Detection in Social Media: Introducing DeceptiveBERT
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, the Internet has facilitated the emergence of social media platforms as significant channels for individuals to express their thoughts and engage in instantaneous interactions. However, the reliance on online reviews has also given rise to deceptive practices, where anonymous spammers generate fake reviews to manipulate the perception of a product. Ensuring the integrity of the online review system requires identifying and mitigating fake reviews. While existing machine learning (ML)- and neural network (NN)-based sentiment analysis methods can detect deceptive reviews, they often suffer from long training times, high computational resource requirements, and memory constraints. This study aims to overcome these limitations by introducing a transformer-based “deceptive bidirectional encoder representations from transformers (DeceptiveBERT) model.” This model utilizes contextual representations to enhance the precision of deceptive review identification. Transfer learning is employed to leverage knowledge from a pre-existing BERT base-uncased word embedding model, enabling efficient feature extraction. The proposed model incorporates a combination of classification layers to categorize reviews into two distinct categories: deceptive and truthful. Additionally, the study addresses the challenge of imbalanced datasets by utilizing three separate datasets and implementing appropriate methodologies for dataset curation. The effectiveness of the DeceptiveBERT model was evaluated through experimentation. The results demonstrate its efficacy, with the model achieving accuracy rates of 75%, 84.79%, and 81.08% on the Ott, YelpNYC, and YelpZip datasets, respectively.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle