Publikace detail

Fake consumer review detection using deep neural networks integrating word embeddings and emotion mining

Autoři: Hájek Petr | Barushka Aliaksandr | Munk Michal

Rok: 2020

Druh publikace: článek v odborném periodiku

Název zdroje: Neural Computing and Applications

Název nakladatele: Springer

Místo vydání: New York

Strana od-do: 17259-17274

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte