Login for students

Login for employees

Publication detail

Detecting Fake Online Reviews using Fine-tuned BERT
Authors: Refaeli David | Hájek Petr
Year: 2021
Type of publication: článek ve sborníku
Name of source: ICEBI 2021: proceedings of the 2021 5th International Conference on E-Business and Internet
Publisher name: ACM (Association for Computing Machinery)
Place: New York
Page from-to: 76-80
Titles:
Language Name Abstract Keywords
cze Detekce falešných online recenzí pomocí vyladěného BERT Falešné online recenze se v dnešní době stávají s rostoucím počtem online nákupů velkým problémem. V poslední době se k odhalování falešných recenzí stále častěji používají metody zpracování přirozeného jazyka (NLP), které analyzují obsah recenzí. Problém se stává mimořádně obtížným kvůli nedostatku spolehlivých dat způsobenému obtížným označováním falešných a poctivých recenzí. V tomto článku provádíme nejen strukturální taxonomii tohoto tématu, ale také představujeme rozsáhlé experimenty s využitím nejmodernějšího jazykového modelu BERT (Bidirectional Encoder Representations from Transformers) na různých souborech dat o online recenzích. Efektivním vyladěním tohoto modelu překonáváme stávající detekční modely tím, že dosahujeme 91% přesnosti na vyváženém crowdsourcovém datasetu recenzí hotelů, restaurací a lékařů a 73% přesnosti na nevyváženém datasetu recenzí restaurací od třetí strany Yelp.
eng Detecting Fake Online Reviews using Fine-tuned BERT Fake online reviews are becoming a major problem nowadays with the growing number of online purchases. Recently, natural language processing (NLP) methods that analyze the content of reviews have been increasingly used to detect fake reviews. The problem becomes extremely difficult due to the lack of reliable data caused by the difficulty in labeling fake and honest reviews. In this paper, we not only conduct a structural taxonomy of this topic, but we also present extensive experiments using a state-of-the-art language model BERT (Bidirectional Encoder Representations from Transformers) on different online review datasets. By efficiently fine-tuning this model, we outperform existing detection models by achieving 91% accuracy on the balanced crowdsourced dataset of hotel, restaurant, and doctor reviews and 73% accuracy on the imbalanced third-party Yelp dataset of restaurant reviews. BERT; Detection; Fake review; Fine-tuning

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 4.0