Publikace detail

Detecting Fake Online Reviews using Fine-tuned BERT

Autoři: Refaeli David | Hájek Petr

Rok: 2021

Druh publikace: článek ve sborníku

Název zdroje: ICEBI 2021: proceedings of the 2021 5th International Conference on E-Business and Internet

Název nakladatele: ACM (Association for Computing Machinery)

Místo vydání: New York

Strana od-do: 76-80

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte