Login for students

Login for employees

Publication detail

Fake consumer review detection using deep neural networks integrating word embeddings and emotion mining
Authors: Hájek Petr | Barushka Aliaksandr | Munk Michal
Year: 2020
Type of publication: článek v odborném periodiku
Name of source: Neural Computing and Applications
Publisher name: Springer
Place: New York
Page from-to: 17259-17274
Titles:
Language Name Abstract Keywords
cze Detekce falešných recenzí spotřebitelů pomocí hlubokých neuronových sítích integrující slovní vnoření a dolování emocí Detekce falešných recenzí spotřebitelů v posledních letech vzbudila velký zájem kvůli rostoucímu počtu nákupů na internetu. Stávající přístupy k odhalování falešných recenzí spotřebitelů používají k odhalování falešných recenzí obsah, informace o produktech a recenzentech a další indikátory. Jak však ukazují nedávné studie, sémantický význam recenzí může být pro klasifikaci textu zvláště důležitý. Emoce skryté v recenzích mohou navíc představovat další potenciální indikátor falešného obsahu. Abychom zlepšili výkon detekce falešných recenzí, navrhujeme zde dva modely neuronových sítí, které integrují tradiční slovní spojení, stejně jako kontext slov a emoce spotřebitele. Konkrétně se modely učí reprezentaci na úrovni dokumentu pomocí tří skupin parametrů: (1) n-gramy, (2) vnoření slov a (3) různé ukazatele emocí založené na slovnících. Taková vysoce dimenzionální reprezentace atributů se používá ke klasifikaci falešných recenzí do čtyř domén. Abychom prokázali účinnost prezentovaných detekčních systémů, porovnáme jejich klasifikační výkon s několika nejmodernějšími metodami detekce falešných recenzí. Navrhované systémy fungují dobře u všech datových souborů, bez ohledu na jejich polaritu sentimentu a kategorii produktů.
eng Fake consumer review detection using deep neural networks integrating word embeddings and emotion mining Fake consumer review detection has attracted much interest in recent years owing to the increasing number of Internet purchases. Existing approaches to detect fake consumer reviews use the review content, product and reviewer information and other features to detect fake reviews. However, as shown in recent studies, the semantic meaning of reviews might be particularly important for text classification. In addition, the emotions hidden in the reviews may represent another potential indicator of fake content. To improve the performance of fake review detection, here we propose two neural network models that integrate traditional bag-of-words as well as the word context and consumer emotions. Specifically, the models learn document-level representation by using three sets of features: (1) n-grams, (2) word embeddings and (3) various lexicon-based emotion indicators. Such a high-dimensional feature representation is used to classify fake reviews into four domains. To demonstrate the effectiveness of the presented detection systems, we compare their classification performance with several state-of-the-art methods for fake review detection. The proposed systems perform well on all datasets, irrespective of their sentiment polarity and product category. Neural network; Deep learning; Fake review; Review spam; Word embedding; Emotion

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives