Publikace detail

A Comparative Study of Machine Learning Methods for Detection of Fake Online Consumer Reviews

Autoři: Hájek Petr | Barushka Aliaksandr

Rok: 2019

Druh publikace: článek ve sborníku

Název zdroje: ICEBI 2019 : proceedings of the 2019 3rd International Conference on E-Business and Internet

Název nakladatele: ACM (Association for Computing Machinery)

Místo vydání: New York

Strana od-do: 18-22

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Srovnávací studie metod strojového učení pro detekci falešných online spotřebitelských recenzí	Online recenze produktů poskytují cenné informace pro rozhodování spotřebitelů. Zákazníci se stále častěji spoléhají na recenze a považují je za důvěryhodný zdroj informací. Pro podniky je proto lákavé nakupovat falešné recenze, protože konkurenční výhody lze snadno dosáhnout produkcí pozitivních nebo negativních falešných recenzí. Metody strojového učení se staly důležitým nástrojem pro automatickou identifikaci falešných recenzí. Hluboké neuronové sítě nedávno ukázaly slibnou přesnost detekce. Neexistují však žádné studie, které by srovnávaly výkon nejmodernějších přístupů hlubokého učení s tradičními metodami strojového učení, jako jsou Naïve Bayes, podpůrné vektorové stroje nebo rozhodovací stromy. Cílem této studie je zkoumat výkon několika metod strojového učení používaných k detekci pozitivních a negativních falešných recenzí spotřebitelů. Zde ukážeme, že hluboké neuronové sítě, včetně konvolučních neuronových sítí a dlouhodobé krátkodobé paměti, výrazně překonávají tradiční metody strojového učení, pokud jde o přesnost při zachování požadovaného časového výkonu.
eng	A Comparative Study of Machine Learning Methods for Detection of Fake Online Consumer Reviews	Online product reviews provide valuable information for consumer decision making. Customers increasingly rely on the reviews and consider them a trusted source of information. For businesses, it is therefore tempting to purchase fake reviews because competitive advantage can be easily achieved by producing positive or negative fake reviews. Machine learning methods have become a critical tool to automatically identify fake reviews. Recently, deep neural networks have shown promising detection accuracy. However, there have been no studies which compare the performance of state-of-the-art deep learning approaches with traditional machine learning methods, such as Naïve Bayes, support vector machines or decision trees. The aim of this study is to examine the performance of several machine learning methods used for the detection of positive and negative fake consumer reviews. Here we show that deep neural networks, including convolutional neural networks and long short term memory, significantly outperform the traditional machine learning methods in terms of accuracy while preserving desirable time performance.	Fake; reviews; machine learning; deep learning; classification

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte