Deep Learning-Based Approach for Monitoring and Controlling Fake Reviews
Notice bibliographique
Résumé
In the last decade, E-commerce has developed into the world's biggest stage for shopping. It has allowed people around the world to directly communicate without any barriers to purchasing the products as per requirements. Internet technologies have reshaped E-commerce since product reviews have become a vital part of online shopping due to their rapid growth. But with widespread usage, it has also brought forth an influx in rates of fake reviews. Fake reviews, which are frequently used to influence public perception, are now a widespread occurrence due to the open nature of E-commerce. Using different learning techniques, many methods and techniques are implemented to spot false reviews and fake behavior. This research aims to use a recurrent neural network (RNN) to combine content and data to identify false product reviews. The proposed approach, which is related to spam indicators, makes use of both product reviews and reviewers' behavioral characteristics. The fine-grained burst pattern analysis is used to conduct a more thorough investigation of produced testimonials during "suspicious" periods in the proposed approach. Additionally, a customer's previous review data are utilized to determine their overall "authorship" reputation, which serves as a barometer for the authenticity of most recent reviews. For the proposed theory, we examined the real-world Amazon review dataset and produced more accurate findings than previous methodologies. In addition to this, our proposed deep learning-based model performance has been validated utilizing the benchmark Yelp Open dataset and IMDB dataset. Received: 12 June 2024 | Revised: 29 July 2024 | Accepted: 18 August 2024 Conflict of Interest The authors declare that they have no conflicts of interest in this work. Data Availability Statement Data are available on request from the corresponding author upon reasonable request. Author Contribution Statement Nilesh Sable: Conceptualization, Methodology, Software, Validation, Data curation, Writing – original draft, Writing – review & editing. Parikshit Mahalle: Conceptualization, Software, Resources, Supervision. Kalyani Kadam: Formal analysis, Writing – review & editing, Visualization. Bipin Sule: Methodology, Writing – original draft. Rahul Joshi: Investigation, Visualization. Mahendra Deore: Software, Validation, Writing – original draft, Writing – review & editing.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».