Boosting Arabic Fake Reviews Detection by Integrating Textual and Metadata Features: A Transformer-Based Model
Notice bibliographique
Résumé
Fake reviews present a significant threat to e-businesses and content providers, lowering consumer trust and damaging brand reputation. As such, the detection and prevention of fake reviews is essential for maintaining the integrity and success of e-businesses. On the other hand, the Arabic language presents unique challenges due to its complex linguistic structure and the wide variety of dialects spoken across different regions. However, the availability of Arabic datasets for fake review detection remains limited, where the available ones either suffer from small sample sizes or are translated from English to Modern Standard Arabic, failing to capture the natural, colloquial language typically used in reviews. Moreover, most Arabic fake reviews research has focused mainly on the textual content of the reviews and has not considered the metadata. Therefore, there has been no comprehensive research investigating the benefits and effects of integrating metadata features with textual content for classifying Arabic fake reviews. To this end, this paper is two-fold. Firstly, a balanced Egyptian Arabic dataset has been created, translated from the YelpZip English dataset using transformers, which includes the metadata. Secondly, a comprehensive and comparative study is conducted to investigate the effects of augmenting the textual content with the metadata features. Baseline experiments with textual content only and fine-tuned pre-trained Arabic BERT models achieved an F1-score of around 69%. Combining pre-trained Arabic language model embeddings with handcrafted metadata features significantly boosts performance, with the best-performing system achieving an F1-score of 77% without the user and product IDs as features and as high as 87% with the inclusion of user and product IDs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».