Spotting Collective Behaviour of Online Frauds in Customer Reviews
Indraprastha Institute of Information Technology Delhi (IIITD)(德里英德拉普拉斯塔信息技术学院(IIITD));Netaji Subhas University of Technology (NSUT)(内塔吉·苏巴斯科技大学(NSUT))
在线评论在购买任何产品之前决定质量方面发挥着至关重要的作用。不幸的是,垃圾邮件发送者经常利用在线评论论坛撰写欺诈评论来推广/降级某些产品。当这些垃圾邮件发送者勾结并共同注入垃圾邮件评论时,可能会变得更加有害,因为他们可以完全控制用户的情绪,因为他们注入的欺诈评论量很大。因此,组垃圾邮件检测比个人层面的欺诈检测更具挑战性,由于一个组的定义不明确,组间动态的变化,标记的组级垃圾邮件数据的稀缺性等,在这里,我们提出了反欺诈,一种无监督的方法来检测在线欺诈审查组。它首先通过利用底层产品评论图并结合几个行为信号来检测候选欺诈组,这些行为信号模拟了评论者之间的多方面协作。然后,它将评论者映射到一个嵌入空间,并为每个组分配一个垃圾邮件分数,这样,由具有高度相似行为特征的垃圾邮件发送者组成的组就可以获得高的垃圾邮件分数。在与四个真实世界数据集的五个基线(其中两个是由我们策划的)进行比较时,DeFrauder表现出卓越的性能,超过了最佳基线,在整个数据集上NDCG@50(平均)高出17.11%。
2019-07-27 cs.CL cs.SI
Detecting LLM-Generated Spam Reviews by Integrating Language Model Embeddings and Graph Neural Network
Tsinghua University(清华大学);University of British Columbia(不列颠哥伦比亚大学);Google DeepMind(谷歌DeepMind)
本文提出FraudSquad模型,结合预训练语言模型嵌入和门控图变压器,有效检测LLM生成的垃圾评论,实验表明其在精度和召回率上优于现有方法,且模型规模小,训练数据需求低。
2026-04-18 cs.CL
Attention-based Bidirectional LSTM for Deceptive Opinion Spam Classification
Persistent Systems(Persistent Systems 公司)
在线评论在电子商业中起着至关重要的决策作用。大多数人根据各自平台上发布的评论决定去哪些地方、去哪家餐厅、买什么以及从哪里买。欺诈性评论或意见垃圾邮件被归类为不真实或欺骗性评论。对产品或餐厅的正面评论有助于吸引顾客,从而增加销售额,而负面评论可能会阻碍餐厅的发展或产品的销售,从而导致名誉受损和损失。欺诈性评论是故意在各种在线评论平台上发布,以欺骗客户购买,访问或分散对产品或餐厅的注意力。它们也是为了赞扬或诋毁产品的声誉而编写的。这项工作的目的是检测和分类的评论是欺骗性的或真实的。它涉及使用各种深度学习技术对评论进行分类,并概述了涉及基于注意力的双向LSTM的拟议方法,以解决评论中与语义信息相关的问题,并对基线机器学习技术进行了比较研究。
2021-12-29 cs.CL
Leveraging Big Data Frameworks for Spam Detection in Amazon Reviews
Daffodil International University(达夫迪尔国际大学);American International University Bangladesh(孟加拉美国国际大学)
本研究利用大数据框架和机器学习方法,在亚马逊评论数据集上检测垃圾评论,逻辑回归达到90.35%准确率,以提升评论真实性和购物环境可信度。
2025-09-25 cs.CL cs.LG
Finding Deceptive Opinion Spam by Any Stretch of the Imagination
Cornell University(康奈尔大学)
消费者越来越多地在网上对产品进行评价、评论和研究。因此,包含消费者评论的网站正在成为意见垃圾邮件的目标。虽然最近的工作主要集中在手动识别的意见垃圾邮件的实例,在这项工作中,我们研究欺骗性的意见垃圾邮件-虚构的意见,已被故意写的声音真实。整合心理学和计算语言学的工作,我们开发并比较了三种检测欺骗性意见垃圾邮件的方法,并最终开发了一个分类器,该分类器在我们的黄金标准意见垃圾数据集上的准确率接近90%。基于我们学习模型的特征分析,我们还做出了一些理论贡献,包括揭示欺骗性意见和想象性写作之间的关系。
2011-07-22 cs.CL cs.CY
Detecting Singleton Review Spammers Using Semantic Similarity
Trustpilot;Adform;Simon Fraser University(西蒙弗雷泽大学)
在线评论已经越来越成为消费者在购买时非常重要的资源。尽管人们越来越难以在不被虚假评论欺骗的情况下做出明智的购买决定。之前关于意见垃圾邮件问题的工作主要考虑使用行为用户模式对虚假评论进行分类。他们专注于写了几篇以上评论的多产用户,抛弃了一次性评论者。然而,对于许多评论网站来说,单身评论者的数量预计会很高。虽然行为模式在处理精英用户时是有效的,但对于一次性评论者来说,需要利用评论文本。在本文中,我们解决了检测由同一个人使用多个名称撰写的虚假评论的问题,每个评论都以不同的名称发布。我们提出了两种方法来检测类似的评论,并显示结果一般优于矢量相似性度量在以前的作品。第一种方法将词与词之间的语义相似性扩展到评论级别。第二种方法是基于主题建模,并利用两个模型的评论主题分布的相似性:词袋和意见袋短语。实验是在三个不同的数据集上进行的:Yelp(57K评论),Trustpilot(9K评论)和Ott数据集(800评论)。
2016-09-09 cs.CL cs.LG
Voting for Deceptive Opinion Spam Detection
Nanjing University(南京大学)
消费者的购买决定越来越受到用户生成的在线评论的影响。因此,人们越来越担心发布欺骗性意见垃圾邮件的可能性,这些虚假评论故意写得听起来真实,欺骗读者。现有的方法主要集中在开发基于自动监督学习的方法来帮助用户识别欺骗性的意见垃圾邮件。本研究中,我们使用大规模积体电路与分散式大规模积体电路技术来降低欺骗侦测的维数。我们的贡献是展示LSI在潜在语义空间中捕获的内容,并揭示如何从真实意见中自动识别欺骗性意见。最后,我们提出了一个投票方案,它集成了不同的方法,以进一步提高分类性能。
2014-09-16 cs.CL cs.SI
Improving Opinion Spam Detection by Cumulative Relative Frequency Distribution
Istituto di Informatica e Telematica, Consiglio Nazionale delle Ricerche(国家研究委员会信息与电信研究所);Università Mediterranea di Reggio Calabria(雷焦卡拉布里亚地中海大学)
在过去的几年里,在线评论变得非常重要,因为它们可以影响消费者的购买决定和企业的声誉,因此,撰写虚假评论的做法可能会对客户和服务提供商造成严重后果。已经提出了各种方法来检测在线评论中的意见垃圾,特别是基于监督分类器。在这篇文章中,我们从一组用于分类意见垃圾邮件的有效功能开始,通过考虑每个功能的累积相对频率分布,我们重新设计了它们。通过对来自Yelp.com的真实数据进行的实验评估,我们表明使用分布特征能够提高分类器的性能。
2020-12-27 cs.CL cs.LG cs.SI
Detect Camouflaged Spam Content via StoneSkipping: Graph and Text Joint Embedding for Chinese Character Variation Representation
Sun Yat-sen University(中山大学);Alibaba Group(阿里巴巴集团);Wuhan University(武汉大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
中文垃圾文本的检测是非常具有挑战性的,因为汉字的拼音和拼音的变化。提出了一种新的框架,联合建模中文变分,语义和上下文表示中文文本垃圾邮件检测任务。特别地,基于汉字变异图设计了一种变异族增强图嵌入算法。VFGE可以学习汉字的图嵌入(局部)和潜在的变化家族(全局)。在此基础上,提出了一种增强的双向语言模型,该模型具有组合门函数和聚合学习函数,在捕获顺序信息的同时,实现了图形和文本信息的集成。在短信和评论数据集上进行了大量的实验,结果表明该方法优于一系列最先进的中文垃圾邮件检测模型。
2019-08-30 cs.CL
Evaluating the Performance of ChatGPT for Spam Email Detection
本研究评估ChatGPT在中英文邮件数据集上的垃圾邮件识别能力,对比基准方法后发现其在低资源中文数据集表现更优,为其在资源受限语言领域的应用提供见解。
2025-02-12 cs.AI cs.CL cs.CY
Opinion Fraud Detection via Neural Autoencoder Decision Forest
University of New South Wales(新南威尔士大学);School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院)
在线评论在影响买家的日常购买决策方面发挥着重要作用。然而,虚假和无意义的评论,不能反映用户的真实购买体验和意见,广泛存在于网络上,并对用户做出正确的选择带来了巨大的挑战。因此,希望建立一个公平的模型,通过区分垃圾评论来评估产品的质量。我们提出了一个端到端可训练的统一模型,以利用Autoencoder和随机森林的吸引人的属性。随机决策树模型的实现,以指导全局参数学习过程。在一个大型亚马逊评论数据集上进行了广泛的实验。所提出的模型始终优于一系列比较的方法。
2018-05-09 cs.AI cs.CL cs.LG
Towards Token-Level Text Anomaly Detection
Great Bay University(大湾大学);Tsinghua University(清华大学);Shenzhen University(深圳大学);Dongguan Key Laboratory for AI and Dynamical Systems(东莞人工智能与动力系统重点实验室);Deakin University(德肯大学)
本文提出词级文本异常检测方法,通过多层级统一框架实现精准定位,提升文本异常识别的细粒度分析能力。
2026-01-20 cs.CL cs.LG
Review-Driven Answer Generation for Product-Related Questions in E-Commerce
Wuhan University(武汉大学);Alibaba Group(阿里巴巴集团)
在电子商业中,用户在做出购买决策之前,往往会遇到许多与产品相关的问题。然而,检查每个用户评论以识别所需信息通常是耗时的。在本文中,我们提出了一个新的审查驱动的框架,在电子商业中的产品相关的问题,命名为问答生成。我们开发的多层卷积架构的基础上,以促进并行计算的答案生成的速度。对于每一个问题,Google首先从相应产品的评论中提取相关的评论片段。然后,我们设计了一种机制,以确定相关的信息,从噪声倾向的审查片段,并将这些信息,以指导答案的生成。在两个真实世界的电子商业数据集上的实验表明,该算法在生成自然语言的更准确、更丰富的答案方面明显优于现有的算法.此外,与现有的基于RNN的生成模型相比,RNN在模型训练和答案生成方面所花费的时间要少得多。
2019-04-27 cs.AI cs.CL
Dual Memory Network Model for Biased Product Review Classification
The Hong Kong Polytechnic University(香港理工大学)
在产品评论的情感分析中,用户信息和产品信息都被证明是有用的。目前的任务是在一个统一的模型中处理用户简档和产品信息,这可能无法有效地学习用户和产品的显著特征。在这项工作中,我们提出了一个双用户和产品记忆网络(DUPMN)模型学习用户简档和产品评论使用单独的记忆网络。然后,将这两种表示联合用于情感预测。使用单独的模型旨在更有效地捕获用户简档和产品信息。与最先进的统一预测模型相比,在三个基准数据集IMDB,Yelp 13和Yelp 14上的评估表明,我们的双重学习模型分别提供了0.6%,1.2%和0.9%的性能增益。通过p值测量,这些改善也被认为非常显著。
2018-09-16 cs.AI cs.CL
Explainable Sentence-Level Sentiment Analysis for Amazon Product Reviews
本文对Amazon上的产品评论进行了句子级的情感分析,并对模型的可解释性进行了深入分析。对于情感分析任务,我们使用具有注意力机制的BiLSTM模型。对于可解释性的研究,我们考虑了单句的注意力权重分布和主要体词的注意力权重。该模型具有高达0.96的精度。我们还发现,体貌词在句子中的注意力权重与情感词相当,甚至更高。
2021-11-11 cs.AI cs.CL
A Review of Features for the Discrimination of Twitter Users: Application to the Prediction of Offline Influence
INSA Centre Val de Loire(中央卢瓦尔河谷国立应用科学学院)
许多与Twitter相关的作品旨在以某种方式描述其用户:服务中的角色(垃圾邮件发送者,机器人,组织等),用户的性质(社会职业类别、年龄等),感兴趣的话题,以及其他。然而,对于一个给定的用户分类问题,这是非常困难的,选择一组合适的功能,因为在文献中描述的许多功能是非常异构的,名称重叠和冲突,以及许多非常接近的变种。在这篇文章中,我们回顾了一系列这样的功能。为了呈现一个清晰的最先进的描述,我们统一了它们的名称,定义和关系,并提出了一个新的,中立的类型学。然后,我们说明了我们的审查的兴趣,通过选择这些功能的离线影响检测问题。这项任务包括根据他们的Twitter帐户和相关数据来识别在现实生活中有影响力的用户。我们发现,大多数被认为是有效的预测在线影响力的功能,如转发和追随者的数量,是不相关的这个问题。然而,我们提出了几种基于内容的方法来标记Twitter用户是否为影响者。我们还根据预测的影响力水平对它们进行排名。我们的建议在CLEF RepLab 2014数据集上进行了评估,并超越了最先进的方法。
2016-07-29 cs.CL cs.SI
Towards Personalized Review Summarization by Modeling Historical Reviews from Customer and Product Separately
Shandong University(山东大学);Peking University(北京大学);Ant Group(蚂蚁集团);Renmin University of China(中国人民大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
评论摘要是一项重要的任务,旨在总结电子商务网站中产品评论的主要内容。与文献综述只需要关注文献中描述的主要事实不同,综述综述不仅要概括综述中提到的主要方面,还要体现综述作者的个人风格。虽然现有的评论摘要方法已经纳入了客户和产品的历史评论,他们通常只是简单地连接和不加区别地将这两个异构的信息建模成一个长序列。此外,评级信息还可以提供客户偏好的高层次抽象,它还没有被大多数方法所使用。在本文中,我们提出了异构的历史评论意识的评论摘要模型(HHRRS),分别建模的两种类型的历史评论与评级信息的图推理模块与对比损失。我们采用了多任务框架,进行审查情绪分类和总结联合。在四个基准数据集上进行的大量实验证明了HHRRS在这两个任务上的优越性。
2023-01-27 cs.AI cs.CL cs.IR
What Matters in Explanations: Towards Explainable Fake Review Detection Focusing on Transformers
Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡格应用科学大学);University of Siegen(锡根大学);Virginia Tech(弗吉尼亚理工大学)
本文提出基于XLNet和DistilBERT的可解释虚假评论检测框架,结合LRP技术生成词级解释,并通过用户评估确定解释中最重要的信息。
2024-07-24 cs.CL cs.IR cs.SI
Confounds and Overestimations in Fake Review Detection: Experimentally Controlling for Product-Ownership and Data-Origin
University College London(伦敦大学学院);GESIS – Leibniz Institute for the Social Sciences(GESIS莱布尼茨社会科学研究所);Tilburg University(蒂尔堡大学)
网上购物的普及率正在稳步上升。与此同时,虚假的产品评论被广泛发表,并有可能影响消费者的购买行为。作为回应,以前的工作已经开发出了用于检测欺骗性产品评论的自动化方法。然而,研究在分类性能方面差异很大,许多研究使用包含潜在混淆的数据,这使得很难确定它们的有效性。两种可能的情况是数据源(即,数据集由多于一个的源组成)和产品数据集(即,由拥有或不拥有被审查产品的个人撰写的审查)。在本研究中,我们研究了这两种混淆对虚假评论检测的影响。使用实验设计,我们操纵数据来源,产品所有权,审查极性和准确性。监督学习分析表明,评论的准确性(60.26 - 69.87%)在某种程度上是可检测的,但评论另外与产品所有权(66.19 - 74.17%)或数据来源(84.44 - 86.94%)混淆更容易分类。如果与产品所有权和数据来源相结合,则评论的准确性最容易分类(87.78 - 88.12%),这表明高估了其他工作的真实表现。这些发现受到审查极性的影响。
2022-12-08 cs.CL
Unmask It! AI-Generated Product Review Detection in Dravidian Languages
Indian Institute of Technology Madras(印度理工学院马德拉斯学院)
本研究针对泰米尔语和马拉雅拉姆语两种低资源语言,对比传统机器学习与多种先进Transformer模型,验证了其在检测AI生成产品评论中的有效性。
2025-03-12 cs.AI cs.CL cs.LG
CER: Complementary Entity Recognition via Knowledge Expansion on Large Unlabeled Product Reviews
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Lehigh University(理海大学);Tsinghua University(清华大学)
产品评论包含了很多关于产品功能和客户意见的有用信息。一个重要的产品特征是可能与被审查产品一起工作的补充实体(产品)。了解所审查产品的互补实体非常重要,因为客户希望购买兼容的产品,避免不兼容的产品。在本文中,我们解决的问题,互补实体识别(CER)。由于没有现有的方法可以解决这个问题,我们首先提出了一种新的无监督的方法,利用句法依赖路径识别互补实体。然后,我们扩大类别级领域知识的补充实体,只有几个一般的种子动词上大量的未标记的评论。领域知识有助于无监督方法适应不同的产品,大大提高了CER任务的精度。该方法的优点是不需要任何标记数据进行训练。我们进行了实验,7个流行的产品,约1200评论总数,以证明所提出的方法是有效的。
2016-12-04 cs.CL
I Wish I Would Have Loved This One, But I Didn't -- A Multilingual Dataset for Counterfactual Detection in Product Reviews
Amazon(亚马逊);University of Liverpool(利物浦大学)
反事实陈述描述的是没有或不可能发生的事件。我们考虑产品评论中的反事实检测(CFD)问题。为此,我们从亚马逊产品评论中注释了一个多语言CFD数据集,涵盖了用英语,德语和日语编写的反事实陈述。该数据集是独一无二的,因为它包含多种语言的反事实,涵盖了电子商务评论的新应用领域,并提供了高质量的专业注释。我们使用不同的文本表示方法和分类器训练CFD模型。我们发现,这些模型是强大的选择性偏见,由于线索短语为基础的句子选择。此外,我们的CFD数据集与以前的数据集兼容,可以合并以学习准确的CFD模型。将机器翻译应用于英语反事实示例以创建多语言数据的表现很差,这表明了这个问题的语言特异性,到目前为止一直被忽视。
2021-09-15 cs.AI cs.CL cs.LG
ForeSeer: Product Aspect Forecasting Using Temporal Graph Embedding
University of Washington(华盛顿大学);Amazon(亚马逊)
针对缺少评论的新产品未来方面预测问题,提出在时间产品图上渐进训练的 ForeSeer,融合评论文本、产品网络与时间信息,显著提升方面及链接预测性能。
2023-10-07 cs.AI cs.CL cs.IR
Information Types in Product Reviews
OriginAI(奥里吉纳AI公司);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本研究设计了包含24种交际目标的产品评论信息分类体系,结合零样本多标签分类器实现大规模评论分析,可预测评论有用性与情感并提供解释,还能支持评论意图、有效性及修辞结构的分析。
2025-02-20 cs.CL
Identifying Hijacked Reviews
Texas A&M University(得克萨斯农工大学);College Station, TX 77843
虚假评论和评论操纵是全球在线市场日益严重的问题。评论劫持是一种新的评论操纵策略,不道德的卖家“劫持”现有的产品页面(通常是有许多正面评论的页面),然后用完全不同的产品更新产品细节,如标题,照片和描述。与早期的审查仍然附加,新的项目似乎审查良好。然而,没有公开的评论劫持数据集,文献中对这种策略知之甚少。因此,本文提出了一个三部分的研究:(i)我们提出了一个框架,通过交换产品和评论来生成用于评论劫持的综合标记数据;(ii)然后,我们评估了Twin LSTM网络和BERT序列对分类器使用这些数据区分合法评论和被劫持评论的潜力;(iii)然后,我们在原始数据中的31 K产品(具有650万评论)的集合上部署性能最佳的模型,在那里我们发现了100个以前未知的评论劫持示例。
2021-07-07 cs.AI cs.CL cs.IR
Automatic Product Ontology Extraction from Textual Reviews
Imperial College London(伦敦帝国理工学院);King’s College London(伦敦国王学院)
本体已经证明在使用文本评论的不同设置中是有益的。然而,人工构建本体是一个费力和耗时的过程,需要自动化。我们提出了一种新的方法,自动提取本体,在meronomies的形式,从产品评论,使用非常有限的手工标注的训练数据。我们表明,我们的方法生成的本体优于手工制作的本体(WordNet)和本体提取现有的方法(Text2Onto和COMET)在几个不同的设置。具体来说,我们生成的本体在由人类注释者以及亚马逊现有的Q&A数据集进行评估时优于其他本体。此外,我们的方法能够更好地概括,在捕捉知识看不见的产品。最后,我们考虑了一个真实世界的设置,表明我们的方法能够更好地根据他们的评论来确定推荐的产品,而不是使用亚马逊的标准评分聚合。
2021-05-23 cs.CL
Exploring the Distribution Regularities of User Attention and Sentiment toward Product Aspects in Online Reviews
Nanjing University of Science and Technology(南京理工大学);Peking University(北京大学)
【目的】为了更好地理解在线评论,帮助潜在消费者、商家和产品制造商有效获取用户对产品方面的评价,从时间维度探讨用户对产品方面的关注和情感的分布规律。[设计/方法/途径]在线评论的时间特征(购买时间、评论时间、以及购买时间与评论时间之间的时间间隔),相似属性聚类,基于京东三款产品超过34万条智能手机评论,采用属性级情感计算技术(国内著名的网上购物平台),探讨用户对产品的关注度和情感的分布规律。[研究结果]实证结果表明,幂律分布可以适合用户的注意力,产品方面,并在短时间间隔内发布的评论包含更多的产品方面。此外,研究结果还表明,在短时间内,产品各方面的用户情感值显著升高/降低,这有助于判断产品的优势和劣势。【研究局限】由于购物平台对评论抓取的限制,本文无法获取更多具有时间特征的商品的在线评论来验证研究结果。[独创性/价值]这项工作揭示了用户对产品方面的注意力和情感的分布,这对于辅助决策,优化评论呈现,改善购物体验具有重要意义。
2022-09-08 cs.CL cs.IR
Product Review Summarization based on Facet Identification and Sentence Clustering
National University of Singapore(新加坡国立大学)
产品评论如今已经成为一个重要的信息来源,不仅让客户可以轻松地找到对产品的意见并与同行分享他们的评论,而且还让产品制造商获得对他们产品的反馈。随着产品评论数量的增长,用户很难有效地搜索和利用这些资源。在这项工作中,我们建立了一个产品评论摘要系统,可以自动处理大量的评论,并汇总它们生成一个简洁的摘要。更重要的是,现有的产品摘要系统的缺点是,他们不能提供根本的原因,以证明用户的意见。在我们的方法中,我们通过应用聚类来解决这个问题,然后选择有代表性的候选人进行总结。
2011-10-07 cs.CL cs.DL
Improving Document-Level Sentiment Analysis with User and Product Context
Dublin City University(都柏林城市大学);Trinity College Dublin(都柏林圣三一学院)
过去通过对用户和产品信息进行编码来改进文档级情感分析的工作仅限于考虑当前评论的文本。我们调查纳入额外的审查文本时,情绪预测,可能证明有意义的指导预测。首先,我们纳入了所有可用的历史回顾文本,属于有关评论的作者。其次,我们调查与当前产品相关的历史评论(由其他用户撰写)。我们通过显式存储由同一用户编写的关于同一产品的评论的表示来实现这一点,并强制模型记住特定用户和产品的所有评论。此外,我们放弃了以前的工作中使用的层次结构,使文本中的单词直接参加对方。在IMDB,Yelp 2013和Yelp 2014数据集上的实验结果显示,在最好的情况下,改进超过2个百分点。
2020-11-18 cs.CL
Massive Multi-Document Summarization of Product Reviews with Weak Supervision
Bar-Ilan University(巴伊兰大学);Amazon(亚马逊)
产品评论摘要是一种多文档摘要(MDS)任务,其中摘要的文档集通常远大于传统MDS(多达数万条评论)。我们强调了这一差异,并创造了术语“大规模多文档摘要”(MMDS)来表示涉及数百个文档或更多文档的MDS任务。以前的产品评论总结工作考虑的是小样本的评论,主要是由于处理大量文档集的困难。我们发现,总结小样本可能会导致重要信息的丢失,并提供误导性的评估结果。我们提出了一个模式,总结了一个标准的总结算法之上的大量评论。由于编写高级神经网络模型所需的大量参考摘要是不切实际的,因此我们的解决方案依赖于弱监督。最后,我们提出了一个评估方案,是基于多个众包的参考摘要,旨在捕捉大量的审查收集。我们表明,我们的模式的初始实施显着提高了几个基线的ROUGE分数,并表现出很强的一致性,在手动语言质量评估。
2020-07-22 cs.CL
Developing a Component Comment Extractor from Product Reviews on E-Commerce Sites
Nagoya Institute of Technology(名古屋工业大学)
消费者经常阅读产品评论来告知他们的购买决定,因为一些消费者想知道产品的特定组件。然而,由于产品评论上的典型句子包含各种细节,用户必须在许多评论中识别关于他们想要知道的组件的句子。因此,我们的目标是开发一个系统,识别和收集句子中的产品的组件和方面的信息。我们的基于BERT的分类器将涉及组件和方面的标签分配给评论中的句子,并提取具有特定组件和方面评论的句子。我们根据产品评论中通过模式匹配识别的单词确定适当的标签,以创建训练数据。因为我们不能用这些词作为标签,所以我们仔细地创建了覆盖这些词的含义的标签。然而,训练数据在组件和方面对上不平衡。我们引入了一种使用WordNet的数据增强方法来减少偏差。我们的评估表明,该系统可以确定标签公路自行车使用模式匹配,覆盖超过88%的指标的组件和方面的电子商业网站。此外,我们的数据增强方法可以提高-F1-措施不足的数据从0.66到0.76。
2022-07-13 cs.CL
Language-Specific Sentiment Polarity Biases in Encoder and Large Language Model Classification of Product Reviews
John P. Stevens High School(约翰·皮·斯蒂文斯高中);Ford Foundation(福特基金会);NC State University(北卡罗来纳州立大学)
研究AI模型跨语言和架构对正负评论分类准确率的差异,发现大语言模型在法语中有负向偏差,编码器模型在日语中有正向偏差。
2026-06-23 cs.CL
Mining customer product reviews for product development: A summarization process
CentraleSupélec(中央高等电力学院);Université Paris-Saclay(巴黎-萨克雷大学);Ecole Centrale de Nantes(南特中央理工学院);IRCCyN(南特中央理工学院法国国家科研中心联合研究所)
本研究旨在从网上评论中识别和构建与顾客好恶相关的词语和表达,以指导产品开发。以前的方法主要集中在产品特征上。然而,评论者表达他们的偏好不仅在产品功能上。在本文中,在广泛的设计科学文献综述的基础上,作者提出了一个包含多个方面的用户偏好,如产品启示,情感,使用条件的摘要模型。同时,描述这些方面的偏好的语言模式被发现和起草的注释准则。一个案例研究表明,与建议的模型和注释准则,人类注释者可以结构的在线评论具有较高的相互协议。由于高一致性的人工标注结果对于使用自然语言处理自动化在线评论摘要过程至关重要,因此本研究为自动化的未来研究提供了材料。
2020-01-13 cs.CL cs.IR
Unveiling Comparative Sentiments in Vietnamese Product Reviews: A Sequential Classification Framework
Fulbright University Vietnam(富布赖特越南大学);Athena Studio;VNG Corporation(VNG公司)
针对越南语产品评论中的比较意见挖掘任务,提出包含比较句识别、比较元素提取和比较类型分类三个序列子任务的框架,在VLSP 2023 ComOM挑战赛中排名第五。
2024-01-02 cs.CL
Context-aware Helpfulness Prediction for Online Product Reviews
The Chinese University of Hong Kong(香港中文大学)
由于电子商务网站和在线商店的激增,评论有用性的建模和预测变得更加突出。由于产品的功能无法在购买前进行测试,因此人们通常依赖于不同类型的用户评论来决定是否购买产品。然而,高质量的评论可能会被埋在大量评论的深处。因此,根据评论质量向客户推荐评论至关重要。由于没有评论质量的直接指示,大多数评论使用“Y中的X”用户发现评论有助于获得评论质量的信息。然而,这种方法破坏了有用性预测,因为不是所有的评论都有统计上丰富的投票。在本文中,我们提出了一个神经深度学习模型,可以预测评论的有用性得分。该模型基于卷积神经网络(CNN)和上下文感知编码机制,可以直接捕获单词之间的关系,而不管它们在长序列中的距离。我们在人类注释数据集上验证了我们的模型,结果表明我们的模型在有用性预测方面明显优于现有模型。
2020-04-27 cs.CL cs.IR
Exploring Latent Semantic Factors to Find Useful Product Reviews
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
消费者提供的在线评论是电子商务平台的宝贵资产,影响潜在消费者做出购买决策。然而,这些评论的质量参差不齐,有用的评论被埋在一堆没有信息的评论中。在这项工作中,我们试图自动识别审查质量方面的帮助,最终消费者。与以前在这一领域利用各种句法和社区级别的功能的作品相比,我们深入研究了评论的语义是什么使它们有用,提供了可解释的解释。我们确定了一组一致性和语义因素,所有这些因素都来自用户生成的评论的文本,评级和时间戳,使我们的方法在所有社区和领域中具有普遍性。我们从几个潜在的因素来探讨评论语义,比如作者的专业知识,他对底层产品的细粒度方面的判断,以及他的写作风格。这些都投到一个隐马尔可夫模型-潜在狄利克雷分配(HMM-LDA)为基础的模型,共同推断:(i)审查专家,(ii)项目方面,和(iii)审查有用。在亚马逊的五个真实世界数据集上进行的大规模实验显示,在预测和排名有用评论方面,与最先进的基线相比,有了显着的改进。
2017-05-06 cs.AI cs.CL cs.IR
Feature-level Rating System using Customer Reviews and Review Votes
Indraprastha Institute of Information Technology Delhi(德里因德拉普拉斯塔信息技术研究所);Graphic Era(格拉菲克时代大学)
这项工作研究了如何从客户评论和评论投票中获得移动产品的功能级别评级,以影响新客户和制造商的决策。这样的评级系统比产品级评级系统提供了更全面的产品图片。虽然产品级别的评级过于笼统,但功能级别的评级是特别的;我们确切地知道产品的好与坏。根据客户的感知,总是需要知道哪些功能不合格或做得很好。它使制造商和客户在改进产品和购买时分别做出决策。不同的客户对不同的功能感兴趣。因此,功能级别的评级可以使购买决策个性化。我们分析了在线购物网站(亚马逊)上收集的关于各种移动产品的客户评论和评论投票。为此,我们进行了以特征为中心的情感分析。最终,我们的分析为在线销售的4k+手机的108个功能提供了评级。它有助于决策如何改进产品(从制造商的角度来看),并使个性化的购买决策(从买方的角度来看)成为可能。我们的分析在推荐系统,消费者研究等方面有应用。
2020-07-18 cs.CL cs.SI
Evaluating the Effectiveness of Pre-trained Language Models in Predicting the Helpfulness of Online Product Reviews
Tilburg University(蒂尔堡大学)
本文比较 RoBERTa 与 XLM-R 预测在线产品评论有用性的效果,基于 Amazon 数据集发现预训练模型显著优于 random forest 基线,附加评分特征可进一步提升性能。
2023-02-19 cs.CL cs.LG
Improving Review Representations with User Attention and Product Attention for Sentiment Classification
Nanjing University(南京大学)
神经网络方法在评论情感分类中取得了巨大的成功。最近,一些作品取得了改进,通过将用户和产品信息,以产生一个评论表示。然而,在评论中,我们观察到一些词或句子表现出强烈的用户偏好,而另一些则倾向于指示产品的特性。这两种信息在确定评论的情感标签时起着不同的作用。因此,将用户和产品信息一起编码到一个表示中是不合理的。在本文中,我们提出了一个新的框架来编码用户和产品信息。首先,我们应用两个独立的分层神经网络来生成两个表示,用户注意力或产品注意力。然后,我们设计了一种组合策略,充分利用这两种表示进行训练和最终预测。实验结果表明,该模型在IMDB和Yelp数据集上的性能明显优于其他现有方法。通过对用户或产品相关词的注意力可视化,我们验证了上述观察结果。
2018-01-24 cs.CL cs.IR cs.LG
Identifying Helpful Sentences in Product Reviews
Amazon(亚马逊);Emory University(埃默里大学)
近年来,网上购物已经获得了发展势头,并成为希望节省时间和简化购物过程的客户的重要场所。网上购物的一个关键优势是能够阅读其他客户对感兴趣的产品的评论。在这项工作中,我们的目标是保持这种优势的情况下,需要极端简洁,例如,当购物的声音。我们提出了一个新的任务,提取一个单一的代表性有用的句子,从一组评论为一个给定的产品。选择的句子应该满足两个条件:第一,它应该有助于购买决策;第二,它表达的观点应该得到多个评论者的支持。该任务与产品评论领域中的多文档摘要任务密切相关,但其目标和简洁程度不同。我们通过众包收集了一个英语句子帮助分数的数据集,并证明了它的可靠性,尽管涉及固有的主观性。接下来,我们描述了一个完整的模型,该模型提取了对产品具有积极和消极情绪的代表性有用句子,并证明它优于几个基线。
2021-07-11 cs.CL cs.LG
Less is More: Rejecting Unreliable Reviews for Product Question Answering
RMIT University(皇家墨尔本理工大学);CSIRO Data61(澳大利亚联邦科学与工业研究组织Data61);The University of Melbourne(墨尔本大学)
快速准确地回答关于产品的问题对于电子商务应用非常重要。手动回答产品问题(例如,在社区问答平台上)会导致响应缓慢且无法扩展。最近的研究表明,产品评论是实时、自动产品问答(PQA)的良好来源。在文献中,PQA被表述为检索问题,其目标是搜索最相关的评论来回答给定的产品问题。在本文中,我们专注于PQA使用评论的可回答性和答案的可靠性问题。我们的调查是基于这样一种直觉,即许多问题可能无法用有限的评论来回答。当一个问题无法回答时,系统应该返回空答案,而不是提供一个不相关的评论列表,这可能对用户体验产生重大的负面影响。此外,对于可回答的问题,只有回答问题的最相关的评论才应该包含在结果中。我们提出了一个共形预测为基础的框架,以提高PQA系统的可靠性,我们拒绝不可靠的答案,使返回的结果更简洁,更准确地回答产品的问题,包括返回零答案无法回答的问题。在广泛使用的Amazon数据集上的实验显示了我们所提出的框架的令人鼓舞的结果。更广泛地说,我们的研究结果表明,一个新的和有效的应用保形方法的检索任务。
2020-07-09 cs.CL cs.IR cs.LG
Extracting Entities of Interest from Comparative Product Reviews
Indian Institute of Technology Kharagpur(印度理工学院卡哈拉格普尔分校);Microsoft Research, Redmond(微软研究院(雷德蒙德))
本文提出基于LSTM的深度学习方法,从电商评论中联合提取被比较产品名称、用户观点和比较特征,并在人工标注数据集上验证其优于现有语义角色标注框架。
2023-10-31 cs.CL cs.IR cs.LG
Effect of Toxic Review Content on Overall Product Sentiment
Vinod Gupta School of Management, IIT Kharagpur(印度理工学院卡拉格普尔分校维诺德·古普塔管理学院)
网络商品评论中的有毒内容是一种普遍现象。当内容粗鲁、不尊重或不合理并使个人离开讨论时,它被认为是有毒的。机器学习算法帮助卖方社区识别此类有毒模式,并最终缓和此类输入。然而,现存的文献提供了较少的信息,一个潜在的消费者对产品的看法后,暴露于这种有毒的评论内容的情绪。在这项研究中,我们收集了一个平衡的数据集的审查意见,从18个不同的球员分为三个不同的部门,从谷歌播放商店。然后,我们计算个人评论内容的情感和毒性得分。最后,我们使用结构方程模型来定量研究有毒物质含量对整体产品情绪的影响。我们观察到,评论毒性负面影响整体产品的情绪,但没有表现出中介作用的评论评分影响部门明智的相对评级。
2022-01-08 cs.CL cs.HC econ.GN
A BERT based Ensemble Approach for Sentiment Classification of Customer Reviews and its Application to Nudge Marketing in e-Commerce
Walmart Global Tech(沃尔玛全球技术部门)
本文提出一种基于BERT的集成方法用于电商客户评论情感分类,并探讨其在助推营销中的应用,以提升顾客购买决策与平台互动。
2023-11-16 cs.CL cs.IR cs.LG
An Efficient Model for Sentiment Analysis of Electronic Product Reviews in Vietnamese
Kyanon Digital(凯诺数字);Advosights(Advosights公司);Saigon University(西贡大学)
在过去几年中,越南电子商务和数字营销的增长产生了大量固执己见的数据。分析这些数据将为企业提供更好的业务决策洞察力。在这项工作中,作为Advosights项目的一部分,我们研究了越南语产品评论的情感分析。最终的解决方案是基于自注意神经网络,一个灵活的架构,文本分类任务,约90.16%的准确率在0.0124秒,一个非常快的推理时间。
2019-10-29 cs.CL cs.IR cs.LG
Overview of the VLSP 2023 -- ComOM Shared Task: A Data Challenge for Comparative Opinion Mining from Vietnamese Product Reviews
VNU University of Engineering and Technology(越南国家大学工程技术大学)
本文介绍VLSP 2023的ComOM共享任务,旨在推动越南语产品评论比较观点挖掘技术发展,构建了含120篇文档的标注数据集,要求模型提取比较五元组,以宏平均五元组F1值评估参赛模型。
2024-03-04 cs.CL cs.LG
Learning to Answer Subjective, Specific Product-Related Queries using Customer Reviews by Adversarial Domain Adaptation
The Ohio State University(俄亥俄州立大学)
大型电子商务网站上的在线客户评论代表了丰富多样的意见数据来源,通常提供对产品使用的主观定性评估,可以帮助潜在客户发现满足其个人需求和偏好的功能。因此,他们有可能自动回答有关产品的特定查询,并解决相关的消费者问答论坛上的答案饥饿和答案扩增的问题,通过提供良好的答案替代品。在这项工作中,我们探索了几种最近成功的神经方法来建模句子对,这些方法可以更好地学习问题和地面真相答案之间的关系,从而帮助推断可以最好地回答问题或增强给定答案的评论。特别是,我们假设我们的基于对抗性领域自适应的方法,由于它能够从大量未标记的、未配对的问题评论样本中额外学习领域不变特征,在使用评论回答特定的、主观的产品相关查询时,会比我们提出的基线表现得更好。我们使用由人类专家评估的问题-评论对的小型黄金标准数据集验证了这一假设,大大超过了我们选择的基线。此外,我们的方法,使用没有标记的问题-评论句子对数据进行训练,与另一种方法使用标记的问题-评论样本进行相同的任务相比,性能相当。
2019-10-22 cs.CL cs.IR cs.LG
E-commerce Query-based Generation based on User Review
University of Illinois(伊利诺伊大学)
随着电子商业平台上的商品数量越来越多,用户倾向于参考其他购物者的评论来决定他们应该购买哪种产品。然而,对于一个产品有这么多的评论,用户通常不得不花很多时间浏览评论,谈论他们不关心的产品属性。我们希望建立一个系统,可以自动总结和回答用户的产品特定的问题。在这项研究中,我们提出了一种新的seq 2seq为基础的文本生成模型来生成用户的问题的答案的基础上发表的评论以前的用户。给定用户问题和/或目标情感极性,我们提取感兴趣的方面,并生成一个答案,总结以前的相关用户评论。具体来说,我们的模型在编码过程中在输入评论和目标方面之间进行注意,并且在解码过程中以评论评级和输入上下文为条件。我们还结合了一个预训练的辅助评级分类器,以提高模型性能并加速训练过程中的收敛。使用真实世界的电子商业数据集的实验表明,我们的模型实现了性能的改善相比,以前介绍的模型。
2020-11-11 cs.CL cs.IR cs.LG