-
题名在线评论回报的动态声誉机制研究
被引量：5
- 1
-
-
作者
魏瑾瑞
王金伟
-
机构
东北财经大学统计学院
-
出处
《中国管理科学》
CSSCI
CSCD
北大核心
2022年第1期252-262,共11页
-
基金
辽宁省社会科学基金资助项目(L20BTJ003)
东北财经大学提升社会服务能力建设资助项目(SF-Y202113)。
-
文摘
当前学界研究主要集中于网络评论的声誉机制或虚假评论的识别策略,好评返现可以看作是声誉的交易(消费者给予好评,商家报以返现),而对此类带有一定贿赂性质的、诱导性的评论的声誉机制研究不多。本文以某网络购物平台2016和2017年两次追踪调查数据为样本,实证研究了好评返现是如何作用于最终声誉评价的。实证结果发现,好评返现对店铺声誉累积的实际影响并不是完全正向的,而是以店铺初始声誉等级为阈值,对于信誉等级较高的店铺(品牌商家)不敏感,对于信誉等级较低的店铺(新进卖家)比较敏感;商家是否参与好评返现并非内生于店铺的初始信誉评价,而更多的是提升信誉评分或对冲部分负面评论;消费者是否参与好评返现与其行为意愿和态度不存在显著关联,匿名环境往往使消费者更易做出内心并不认同却能获益的行为。
-
关键词
好评返现
虚假评价
声誉机制
-
Keywords
the rewards on favorable comment
spam reviews
reputation mechanism
-
分类号
F724.6
[经济管理—产业经济]
-
-
题名基于Adaboost算法与规则匹配的垃圾评论识别
被引量：2
- 2
-
-
作者
昝红英
毕银龙
石金铭
-
机构
郑州大学信息工程学院
-
出处
《郑州大学学报（理学版）》
CAS
北大核心
2017年第1期24-28,共5页
-
基金
国家自然科学基金项目(61402419)
国家社会科学基金项目(14BYY096)
+3 种基金
国家重点基础研究发展项目(973计划)(2014CB340504)
河南科技厅基础研究项目(142300410231
142300410308)
河南省高等学校重点科研项目(15A520098)
-
文摘
从评论的文本特征及元数据特征两个角度提取特征,避免特征向量过于稀疏.提出了基于随机森林的Adaboost算法,以减弱商品评论数据集不平衡性的影响.部分垃圾评论特征比较显著,采用规则匹配进一步提高垃圾评论识别的召回率.通过在COAE2015任务4提供的数据集上进行实验,取得较好的识别效果,验证了所提方法的有效性.
-
关键词
垃圾评论识别
随机森林
ADABOOST
集成学习算法
-
Keywords
identification of spam reviews
random forest
Adaboost
ensemble learning algorithm
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于主成分分析和随机森林的刷客识别方法
被引量：4
- 3
-
-
作者
张李义
张皎
-
机构
武汉大学信息管理学院
-
出处
《现代图书情报技术》
CSSCI
2015年第10期65-71,共7页
-
文摘
【目的】针对刷客识别的指标维数较高,识别的准确率和效率较低的问题,提出新的识别模型,提高刷客的识别准确率和效率。【方法】采用主成分分析法对用户指标进行降维,并运用随机森林算法识别刷客。为了反映该模型在刷客识别方面的优越性,分别建立基于K近邻判断分析、支持向量机理论的识别模型,用相同的数据针对不同模型进行训练,比较不同模型的识别分类准确率和效率。【结果】实验结果表明,基于主成分分析和随机森林理论的刷客识别模型识别的准确率为88.0%,识别时间为3分钟。【局限】刷客数据主要来源于第三方刷单平台,不能全面反映所有刷客类型。【结论】基于主成分分析和随机森林的刷客识别模型对刷客识别具有较高的准确率和较优的效率,可以为电子商务平台识别刷单交易提供参考。
-
关键词
刷单
垃圾评论
刷客识别
主成分分析
随机森林
-
Keywords
Singlebrush
spam review
Brusher detection
Principle Component Analysis
Random Forest
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于融合聚类算法的电子商务产品垃圾评论识别研究
- 4
-
-
作者
柳毅
钱枫
顾虎
陆佳涣
-
机构
杭州电子科技大学管理学院
杭州市质量技术监督检测院
-
出处
《智能物联技术》
2020年第6期43-50,共8页
-
基金
国家重点研发计划项目“‘互联网+’NQI集成服务共性技术研究”(2017YFF0209600)
杭州市科技计划项目“产品质量安全风险监测与监管协作网络技术的研究与应用”(20131813A06)
浙江省质量技术监督系统科研计划项目“网上产品质量监管协作平台构建研究”(20130142)
-
文摘
针对电子商务产品评论数据中存在垃圾评论的问题,本文利用评论文本的语义距离来进行垃圾评论识别,基于Stacking集成思想提出一种基于DBSCAN和Mean Shift的融合聚类算法对文本向量进行聚类分析。垃圾评论由于在语义上与有效评论距离较大,会被分到主要簇之外,形成小簇或者离群点进行垃圾评论识别区分。实验结果表明,融合聚类算法既可以避免DBSCAN内存消耗大的问题,又可以有效解决Mean Shift因迭代次数多导致运行时间长和准确率受随机选择初始质心影响的问题。
-
关键词
电子商务
垃圾评论识别
融合聚类
DBSCAN
Mean
Shift
-
Keywords
electronic commerce
spam review
clustering ensemble
DBSCAN
Mean Shift
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
F724.6
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于深度学习的虚假评论识别
被引量：3
- 5
-
-
作者
皮琪
王文杰
杨飞
赵耀
-
机构
北京邮电大学网络与交换技术国家重点实验室
空间物理重点实验室
-
出处
《网络新媒体技术》
2016年第6期30-33,共4页
-
文摘
虚假评论识别在评论网站发展迅速的今天越来越重要。有效的区分虚假评论和真实评论是当今评论网站的急切需求。过去对于虚假评论识别主要是通过手工提取特征,用传统机器学习的算法来进行识别。但是通过依靠人对该领域的认识来提取特征会有一些信息上的流失。基于这样的因素,提出了深度学习的框架来对虚假评论进行识别。同时使用评论的内容和评论的其他信息来对评论进行真伪的鉴别。模型相对于传统的方法识别率有很大的提升。
-
关键词
虚假评论识别
深度学习
特征提取
-
Keywords
spam review detection, deep learning, feature extracted
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—计算机科学与技术]
-
-
题名结合数据增强、情感学习的酒店虚假评论识别
- 6
-
-
作者
杨明
-
机构
复旦大学软件学院
-
出处
《计算机应用与软件》
北大核心
2021年第11期210-214,225,共6页
-
文摘
为了获得利益,在线评论当中有很多伪造的评论,酒店领域的评论也不例外。由于酒店领域的评论只有少部分的标注数据,这给深度学习技术的应用带来了困难。提出一种融合酒店消费领域的专业知识和基于文本卷积神经网络的方法。该方法对数据进行增强,用无监督学习方法获得aspect情感信息,利用卷积神经网络识别虚假评论。实验结果表明,该方法的识别效果比传统方法有显著的提升。
-
关键词
酒店虚假评论
Aspect学习
EDA
卷积神经网络
-
Keywords
Hotel spam review
Aspect learning
EDA
CNN
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
