检索结果-维普期刊中文期刊服务平台

基于残差网络融合多关系评论特征的虚假评论检测: 1; 作者雒泽阳田华 +2 位作者窦英通李曼文张泽华《计算机科学》 CSCD 北大核心 2024年第4期314-323,共10页; 随着电子商务和短视频社区平台的兴起,涌现出的虚假评论严重影响了用户体验。甚至为了对抗平台检测,伪装的评论(Review Camouflage)更加难以辨别。当前基于图神经网络(Graph Neural Networks,GNNs)的虚假评论检测方法在深层训练过程中... 展开更多; 关键词虚假评论检测图神经网络残差网络评论伪装多关系特征融合; 在线阅读下载PDF 职称材料

融合情感极性与信任函数的虚假评论检测方法被引量：3: 2; 作者杨丰瑞吴晓浩万程峰《计算机工程与科学》 CSCD 北大核心 2019年第9期1679-1685,共7页; 在线评论是用户判断商品质量的一个依据。虚假评论严重影响了消费者的购买行为,现有的虚假评论检测方法从文本出发,忽略了评分的虚假性,评分通常是不精确和不确定的,对虚假评论检测效果不佳。提出融合情感极性与信任函数的虚假评论检测... 展开更多; 关键词虚假评论情感极性信任函数虚假评论检测; 在线阅读下载PDF 职称材料

虚假评论检测研究综述被引量：35: 3; 作者李璐旸秦兵刘挺《计算机学报》 EI CSCD 北大核心 2018年第4期946-968,共23页; 随着电子商务网站及点评网站的发展,评论信息日益影响着人们的生活.越来越多的网络用户通过发布评论分享消费体验、评价产品的质量,并在做出消费决策时参考其他用户的评论.人们对评论信息的依赖催化了虚假评论的不断涌现.虚假评论,指一... 展开更多; 关键词虚假评论检测虚假评论者检测合谋欺诈检测观点挖掘内容挖掘; 在线阅读下载PDF 职称材料

基于多层注意力机制深度学习模型的虚假评论检测被引量：5: 4; 作者曾致远卢晓勇 +1 位作者徐盛剑陈木生《计算机应用与软件》北大核心 2020年第5期177-182,共6页; 针对现有的虚假评论检测方法忽略了虚假评论文本的情感特征这一问题,提出一种基于注意力机制的多层编码器模型(ABME)。基于评论首尾部分表达情感更加强烈等特点,将评论拆分为首、中、尾三部分,提高首尾部分的权重;使用双向LSTM模型编码... 展开更多; 关键词虚假评论检测注意力机制长短期记忆网络表示学习; 在线阅读下载PDF 职称材料

基于主题与情感联合预训练的虚假评论检测方法被引量：3: 5; 作者张东杰黄龙涛 +3 位作者张荣薛晖林俊宇路瑶《计算机研究与发展》 EI CSCD 北大核心 2021年第7期1385-1394,共10页; 商品评论信息是用户线上决策的重要依据,但在利益的驱使下商家往往会通过雇佣专业的写手撰写大量虚假评论的方式来误导用户,进而达到包装自己或诋毁竞争对手的目的.这种现象会造成不正当的商业竞争和极差的用户体验.针对这一现象,我们... 展开更多; 关键词虚假评论检测预训练模型情感分析联合训练 Center Loss; 在线阅读下载PDF 职称材料

基于注意力卷积神经网络的中文虚假评论检测被引量：2: 6; 作者吴正清曹晖刘宝锴《广西师范大学学报（自然科学版）》 CAS 北大核心 2023年第5期26-36,共11页; 针对现有的虚假评论检测方法未充分利用虚假评论文本特征这一问题,本文提出一种基于多层注意力机制的卷积神经网络模型。首先,使用多种预训练词向量初始化词嵌入层,并进行复值位置编码;然后,将经过多种卷积核卷积得到的多种特征映射依... 展开更多; 关键词虚假评论检测注意力机制卷积神经网络预训练词向量; 在线阅读下载PDF 职称材料

基于层次异构图注意力网络的虚假评论检测被引量：1: 7; 作者张蓉张献国《计算机应用》 CSCD 北大核心 2021年第5期1275-1281,共7页; 针对虚假评论检测中不能充分利用评论的非语义特征的问题,提出了一种新的基于层次注意力机制与异构图注意力网络的层次异构图注意力网络(HHGAN)模型。首先,通过层次注意力机制学习评论文本中词级别和句级别的文档表示,重点捕获对虚假评... 展开更多; 关键词虚假评论检测表示学习图神经网络层次注意力机制异构图神经网络; 在线阅读下载PDF 职称材料

集成层级图注意力网络检测非均衡虚假评论被引量：3: 8; 作者赵敏张月琴 +1 位作者窦英通张泽华《计算机科学与探索》 CSCD 北大核心 2023年第2期428-441,共14页; 作为机器学习当前一大热点,图神经网络(GNN)模型近年来已逐渐开始结合用户评论应用于欺诈检测领域。但现实中汇总的用户评论涉及多个不同领域,可用信息复杂多样,海量的用户生成内容中欺诈信息通常也只占少数,基于GNN的相关检测方法对虚... 展开更多; 关键词虚假评论检测层次图注意力网络网络表征学习集成学习非均衡数据分类; 在线阅读下载PDF 职称材料

题名基于残差网络融合多关系评论特征的虚假评论检测: 1; 作者雒泽阳田华窦英通李曼文张泽华; 机构太原理工大学信息与计算机学院伊利诺伊大学芝加哥分校; 出处《计算机科学》 CSCD 北大核心 2024年第4期314-323,共10页; 基金国家自然科学基金(61702356,51901152) 教育部产学合作协同育人项目(2020021680113) 山西省回国留学人员科研资助项目(2020-040)。; 文摘随着电子商务和短视频社区平台的兴起,涌现出的虚假评论严重影响了用户体验。甚至为了对抗平台检测,伪装的评论(Review Camouflage)更加难以辨别。当前基于图神经网络(Graph Neural Networks,GNNs)的虚假评论检测方法在深层训练过程中容易出现网络退化和梯度消失问题。同时评论伪装导致评论标记更加倾斜,从而影响GNNs检测模型的鲁棒性。针对以上问题,提出了一种基于残差网络的检测方法MRDRN,可融合多关系评论特征进行虚假评论识别。首先,为了减缓网络退化,结合残差网络进行深层评论特征提取,并给出一种新的邻居混合采样策略,可根据评论之间的特征相似性进行低阶及高阶邻居混合采样,从而缓解评论标记不均衡的问题并学习更加丰富的评论特征。其次,提出了一种多关系评论特征融合策略,通过关系内评论网络拓扑与多关系间评论特征的整体融合,来减小评论伪装的影响。在3个真实数据集上进行实验,结果表明,MRDRN相比基准方法具有更高的检测能力和更强的鲁棒性。; 关键词虚假评论检测图神经网络残差网络评论伪装多关系特征融合; Keywords Fake review detection Graph neural network Residual network Review camouflage Multi-relationship features fusion; 分类号 TP389.1 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名融合情感极性与信任函数的虚假评论检测方法被引量：3: 2; 作者杨丰瑞吴晓浩万程峰; 机构重庆邮电大学通信与信息工程学院重庆邮电大学通信新技术应用研究中心重庆重邮信科(集团)股份有限公司; 出处《计算机工程与科学》 CSCD 北大核心 2019年第9期1679-1685,共7页; 文摘在线评论是用户判断商品质量的一个依据。虚假评论严重影响了消费者的购买行为,现有的虚假评论检测方法从文本出发,忽略了评分的虚假性,评分通常是不精确和不确定的,对虚假评论检测效果不佳。提出融合情感极性与信任函数的虚假评论检测方法(EP-BFRD),利用信任函数处理给定评论者评分中的不确定性和不准确性,考虑与其他评分者提供的评分的相似性,以检测误导性,并判断评论文本情感极性与评分一致性。综合考虑信任函数处理的结果以及评分与文本情感一致性的结果来判断评论的虚假性。在一个真实的数据库上进行实验,实验表明该方法可有效解决虚假评论检测问题。; 关键词虚假评论情感极性信任函数虚假评论检测; Keywords fake review emotional polarity trust function fake review detection; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名虚假评论检测研究综述被引量：35: 3; 作者李璐旸秦兵刘挺; 机构哈尔滨工业大学计算机科学与技术学院社会计算与信息检索研究中心; 出处《计算机学报》 EI CSCD 北大核心 2018年第4期946-968,共23页; 基金国家"八六三"前沿技术研究项目(2015AA015407) 国家自然科学基金(61632011 61370164)资助; 文摘随着电子商务网站及点评网站的发展,评论信息日益影响着人们的生活.越来越多的网络用户通过发布评论分享消费体验、评价产品的质量,并在做出消费决策时参考其他用户的评论.人们对评论信息的依赖催化了虚假评论的不断涌现.虚假评论,指一些用户出于商业或其他不良动机,在评论中编造不实消费经历、对评价对象的质量等进行鼓吹或诽谤.虚假评论容易对用户的观点或决策产生误导,干扰人们的日常生活.由于人类识别虚假评论的准确率较低,综合运用自然语言处理技术有效检测虚假评论、帮助用户获取真实评论信息,在学术研究及产业应用层面均具有深远意义.对虚假评论检测任务,研究者们主要从虚假评论文本、虚假评论发布者及虚假评论群组三个角度开展研究.该文将依次对三类研究进行归纳分析,具体分别从特征设计、模型方法、数据集、评级指标等方面进行了对比总结.最后对未来研究方向进行了探讨和展望.; 关键词虚假评论检测虚假评论者检测合谋欺诈检测观点挖掘内容挖掘; Keywords fake review detection spammer detection collective spammer detection opinion mining content mining; 分类号 TP393 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于多层注意力机制深度学习模型的虚假评论检测被引量：5: 4; 作者曾致远卢晓勇徐盛剑陈木生; 机构南昌大学软件学院江西理工大学软件工程学院; 出处《计算机应用与软件》北大核心 2020年第5期177-182,共6页; 基金国家社会科学基金项目(17BGL008)。; 文摘针对现有的虚假评论检测方法忽略了虚假评论文本的情感特征这一问题,提出一种基于注意力机制的多层编码器模型(ABME)。基于评论首尾部分表达情感更加强烈等特点,将评论拆分为首、中、尾三部分,提高首尾部分的权重;使用双向LSTM模型编码,得到三个局部表示,使用自注意力机制和注意力机制将三个局部表示编码成一个全局特征表示;通过Softmax分类器得到分类结果。实验结果表明,与目前的最好方法相比较,该模型的平均准确率提高了3.3%,平均精度提高了1.21%。; 关键词虚假评论检测注意力机制长短期记忆网络表示学习; Keywords Spam review detection Attention mechanism Long-short term memory network Representation learning; 分类号 TP3 [自动化与计算机技术—计算机科学与技术]; 在线阅读下载PDF 职称材料

题名基于主题与情感联合预训练的虚假评论检测方法被引量：3: 5; 作者张东杰黄龙涛张荣薛晖林俊宇路瑶; 机构阿里巴巴集团中国科学院信息工程研究所廊坊职业技术学院; 出处《计算机研究与发展》 EI CSCD 北大核心 2021年第7期1385-1394,共10页; 基金廊坊市科技支撑计划项目(2020011005)。; 文摘商品评论信息是用户线上决策的重要依据,但在利益的驱使下商家往往会通过雇佣专业的写手撰写大量虚假评论的方式来误导用户,进而达到包装自己或诋毁竞争对手的目的.这种现象会造成不正当的商业竞争和极差的用户体验.针对这一现象,我们通过情感预训练的方法对现有的虚假评论识别模型进行了改进,并提出了一种能够同时整合评论语义和情感信息的联合预训练学习方法.鉴于预训练模型强大的语义表示能力,在联合学习框架中采用了2种预训练模型编码器分别用于抽取评论的语义和情感上下文特征,并通过联合训练的方法整合2种特征,最后使用Center Loss损失函数对模型进行优化.在多个公开数据集和多个不同任务上进行了验证实验,实验表明提出的联合模型在虚假评论检测与情感极性分析任务上都取得了目前最好的效果且具有更强的泛化能力.; 关键词虚假评论检测预训练模型情感分析联合训练 Center Loss; Keywords fake review detection pre-training model sentiment analysis joint learning framework Center Loss; 分类号 TP399 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于注意力卷积神经网络的中文虚假评论检测被引量：2: 6; 作者吴正清曹晖刘宝锴; 机构中国民族语言文字信息技术教育部重点实验室(西北民族大学); 出处《广西师范大学学报（自然科学版）》 CAS 北大核心 2023年第5期26-36,共11页; 基金国家自然科学基金(61633013)。; 文摘针对现有的虚假评论检测方法未充分利用虚假评论文本特征这一问题,本文提出一种基于多层注意力机制的卷积神经网络模型。首先,使用多种预训练词向量初始化词嵌入层,并进行复值位置编码;然后,将经过多种卷积核卷积得到的多种特征映射依次通过嵌入用户特征的通道级和卷积核级的注意力层,根据特征重要程度分配不同权重;最后,将拟合的评论文本特征表示进行Softmax分类。实验结果表明,与诸多主流优秀神经网络模型相比,本文模型准确率和F1值分别提高4.74和3.86个百分点。; 关键词虚假评论检测注意力机制卷积神经网络预训练词向量; Keywords fake review detection attention mechanism convolutional neural network pre-trained word vector; 分类号 TP391.1 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于层次异构图注意力网络的虚假评论检测被引量：1: 7; 作者张蓉张献国; 机构内蒙古大学计算机学院; 出处《计算机应用》 CSCD 北大核心 2021年第5期1275-1281,共7页; 基金国家自然科学基金地区科学基金资助项目(41761086)。; 文摘针对虚假评论检测中不能充分利用评论的非语义特征的问题,提出了一种新的基于层次注意力机制与异构图注意力网络的层次异构图注意力网络(HHGAN)模型。首先,通过层次注意力机制学习评论文本中词级别和句级别的文档表示,重点捕获对虚假评论检测有重要意义的单词和句子;然后,将学习到的文档表示作为节点,并选取评论中非语义特征作为元路径来构建具有双层注意力机制的异构图注意力网络;最后,设计一个多层感知器(MLP)用以判别评论类别。实验结果表明,HHGAN模型在yelp. com中提取的餐厅数据集和酒店数据集上的F1值分别到达0.942和0.923,效果明显优于传统的卷积神经网络(CNN)模型和其他神经网络基准模型。; 关键词虚假评论检测表示学习图神经网络层次注意力机制异构图神经网络; Keywords opinion spam detection representation learning Graph Neural Network(GNN) hierarchical attention mechanism Heterogeneous Graph Neural Network(HGNN); 分类号 TP391.1 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名集成层级图注意力网络检测非均衡虚假评论被引量：3: 8; 作者赵敏张月琴窦英通张泽华; 机构太原理工大学信息与计算机学院 Department of Computer Science; 出处《计算机科学与探索》 CSCD 北大核心 2023年第2期428-441,共14页; 基金国家自然科学基金(61503273,61702356) 教育部产学合作协同育人项目山西省回国留学人员科研资助项目。; 文摘作为机器学习当前一大热点,图神经网络(GNN)模型近年来已逐渐开始结合用户评论应用于欺诈检测领域。但现实中汇总的用户评论涉及多个不同领域,可用信息复杂多样,海量的用户生成内容中欺诈信息通常也只占少数,基于GNN的相关检测方法对虚假评论的识别效果不甚理想。针对这种特征异构和数据分布不均衡的问题,将评论系统进行异构网络建模,提出一种新的集成层次图注意力网络(En-HGAN)识别方法。通过融合层次注意力结构,更加充分地利用异构网络中丰富的用户行为信息,为评论学习更加丰富的语义表征,并在集成学习Bagging框架下集成多个差异化的HGAN子模型,使用随机欠采样策略实现基学习器多样性聚合,从而减少有效信息丢失,增强对欺诈评论的检测能力。在YelpChi与Amazon真实数据集上的实验结果表明,En-HGAN方法具有良好的异常探测性能,和当前一些最新的方法相比,在数据类别倾斜分布的应用中显示En-HGAN方法对欺诈实体具有不错的鲁棒性。; 关键词虚假评论检测层次图注意力网络网络表征学习集成学习非均衡数据分类; Keywords fake review detection hierarchical graph attention network network representation learning ensemble learning imbalanced data classification; 分类号 TP316 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于残差网络融合多关系评论特征的虚假评论检测	雒泽阳田华窦英通李曼文张泽华	《计算机科学》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	融合情感极性与信任函数的虚假评论检测方法	杨丰瑞吴晓浩万程峰	《计算机工程与科学》 CSCD 北大核心	2019	3	在线阅读下载PDF 职称材料
3	虚假评论检测研究综述	李璐旸秦兵刘挺	《计算机学报》 EI CSCD 北大核心	2018	35	在线阅读下载PDF 职称材料
4	基于多层注意力机制深度学习模型的虚假评论检测	曾致远卢晓勇徐盛剑陈木生	《计算机应用与软件》北大核心	2020	5	在线阅读下载PDF 职称材料
5	基于主题与情感联合预训练的虚假评论检测方法	张东杰黄龙涛张荣薛晖林俊宇路瑶	《计算机研究与发展》 EI CSCD 北大核心	2021	3	在线阅读下载PDF 职称材料
6	基于注意力卷积神经网络的中文虚假评论检测	吴正清曹晖刘宝锴	《广西师范大学学报（自然科学版）》 CAS 北大核心	2023	2	在线阅读下载PDF 职称材料
7	基于层次异构图注意力网络的虚假评论检测	张蓉张献国	《计算机应用》 CSCD 北大核心	2021	1	在线阅读下载PDF 职称材料
8	集成层级图注意力网络检测非均衡虚假评论	赵敏张月琴窦英通张泽华	《计算机科学与探索》 CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料