Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text
Alexandria University(亚历山大大学)
人们使用移动消息服务的增加导致了网络钓鱼等社会工程攻击的蔓延,考虑到垃圾邮件文本是传播网络钓鱼攻击以窃取信用卡和密码等敏感数据的主要因素之一。此外,有关COVID-19大流行的谣言和不正确的医疗信息在社交媒体上广泛传播,导致人们的恐惧和困惑。因此,过滤垃圾邮件内容对于降低风险和威胁至关重要。以前的研究依赖于机器学习和深度学习方法来进行垃圾邮件分类,但这些方法有两个局限性。机器学习模型需要人工特征工程,而深度神经网络需要高计算成本。本文介绍了一种动态的深度集成模型的垃圾邮件检测,调整其复杂性和自动提取的功能。该模型利用卷积层和池化层进行特征提取,并使用基本分类器(如随机森林和极端随机树)将文本分类为垃圾邮件或合法文本。此外,该模型采用集成学习过程,如boosting和bagging。结果表明,该模型具有较高的查准率、召回率、f1值和准确率,达到98.38%。
2022-04-30 cs.AI cs.CL cs.LG
Mitigating Human and Computer Opinion Fraud via Contrastive Learning
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Artificial Intelligence Research Institute(人工智能研究院)
我们介绍了新的方法对虚假文本评论检测协同过滤推荐系统。现有的算法集中于检测由语言模型生成的虚假评论,而忽略了由不诚实的用户撰写的文本,主要是为了金钱利益。我们提出了基于对比学习的架构,它利用用户的人口统计特征,以及文本评论,作为反对假货的额外证据。通过这种方式,我们能够解释两种不同类型的虚假评论垃圾邮件,并使推荐系统对有偏见的评论更加强大。
2023-01-08 cs.AI cs.HC
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
Learning review representations from user and product level information for spam detection
School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
意见垃圾邮件已成为社交媒体中普遍存在的问题,其中雇佣的垃圾邮件发送者撰写欺骗性评论以推广或降级产品,从而误导消费者以获得利润或名声。现有的工作主要集中在手工设计离散的文本或行为特征,这不能捕捉复杂的语义评论。虽然最近的工作应用深度学习方法来学习评论级语义特征,但其模型忽略了用户级和产品级信息对学习评论语义的影响以及固有的用户-评论-产品关系信息。在本文中,我们提出了一个层次融合注意力网络(HFAN),自动学习语义的评论,从用户和产品的水平。具体而言,我们设计了一个多注意单元来提取用户(产品)相关的评论信息。然后,我们使用正交分解和融合注意力,学习用户,评论,和产品表示的评论信息。最后,我们把评论看作是用户和产品实体之间的关系,并应用TransH将这种关系联合编码成评论表示。在4个真实数据集上的实验结果表明,该模型的分类精度比现有的分类精度提高了10%以上,证明了该模型的有效性和通用性.
2019-09-10 cs.AI cs.CL
NetSpam: a Network-based Spam Detection Framework for Reviews in Online Social Media
University of Tehran(德黑兰大学);Institut Mines-Telecom(法国矿业电信学院)
如今,很大一部分人在决策时依赖社交媒体中的可用内容(例如对主题或产品的评论和反馈)。任何人都可以留下评论的可能性为垃圾邮件发送者提供了一个黄金机会,可以针对不同的利益撰写关于产品和服务的垃圾评论。识别这些垃圾邮件发送者和垃圾邮件内容是一个热门的研究课题,虽然相当数量的研究最近已经完成了这一目标,但到目前为止,提出的方法仍然几乎没有检测垃圾邮件评论,他们都没有表现出每个提取的特征类型的重要性。在这项研究中,我们提出了一个新的框架,命名为NetSpam,它利用垃圾邮件的功能建模审查数据集异构信息网络映射到这样的网络中的分类问题的垃圾邮件检测过程。利用垃圾邮件特征的重要性,可以帮助我们在Yelp和Amazon网站的真实评论数据集上实验不同的指标,从而获得更好的结果。实验结果表明,NetSpam的性能优于现有的方法,在评论行为、用户行为、评论语言、用户语言四类特征中,第一类特征的性能优于其他类别。
2017-03-10 cs.CL cs.IR cs.SI
Metadata Integration for Spam Reviews Detection on Vietnamese E-commerce Websites
University of Information Technology(信息科技大学);Vietnam National University(越南国家大学)
本文提出在越南电商垃圾评论检测中集成评论元数据与文本特征的方法,引入 ViSpamReviews v2 数据集,并证明 PhoBERT 结合产品描述特征可显著提升分类性能。
2024-08-01 cs.CL
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
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
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
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
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
Universal Spam Detection using Transfer Learning of BERT Model
University of Louisiana at Lafayette(路易斯安那大学拉法叶分校)
深度学习Transformer模型通过基于自我注意力机制对文本数据进行训练而变得重要。这篇手稿展示了一种新的通用垃圾邮件检测模型,该模型使用预训练的Google双向编码器表示Transformers(BERT),基于四个数据集的未封装模型,通过在实时场景中有效地分类火腿或垃圾邮件。针对Enron、Spamassain、Lingspam和Spamtext消息分类数据集使用不同的方法来单独训练模型,其中在四个数据集上获得具有可接受性能的单个模型。通用垃圾邮件检测模型(USDM)使用四个数据集进行训练,并利用每个模型的超参数。组合模型分别使用来自这四个模型的相同超参数进行微调。当每个模型使用其相应的数据集时,单个模型的F1得分为0.9或以上。总体准确率达到97%,F1得分为0.96。最后,对研究结果和意义进行了讨论。
2022-02-07 cs.CL cs.LG
Deep Learning for Predictive Business Process Monitoring: Review and Benchmark
Universidade de Santiago de Compostela(圣地亚哥-德孔波斯特拉大学)
业务流程的预测性监控涉及对业务流程上正在进行的案例的预测。最近,深度学习技术的流行促进了一组不断增长的方法,这些方法专注于基于这些技术的预测监控。然而,用于评估这些方法的过程日志和实验设置的高度差异使得进行公平的比较特别困难。此外,它也很难选择最合适的方法来解决特定的问题。在本文中,我们对使用深度学习来解决预测性监控任务的方法进行了系统的文献综述。此外,我们进行了详尽的实验评估10种不同的方法超过12个公开可用的进程日志。
2021-10-29 cs.AI cs.LG
A Review of Sparse Expert Models in Deep Learning
Google Brain(谷歌大脑);Google Research(谷歌研究院)
稀疏专家模型(Sparse Expert Models)是一个有着30年历史的概念,现在作为深度学习中的流行架构重新出现。这类体系结构包括专家混合、交换机Transformers、路由网络、基础层等,所有这些都具有统一的思想,即每个示例都由参数的子集作用。通过这样做,稀疏度使每个示例的计算中的参数计数成倍增加,从而允许非常大但有效的模型。由此产生的模型在不同领域(如自然语言处理、计算机视觉和语音识别)都有了显著的改进。我们回顾了稀疏专家模型的概念,提供了常见算法的基本描述,介绍了深度学习时代的进展,并通过强调未来工作的领域得出结论。
2022-09-04 cs.CL cs.LG
BotSpot: Deep Learning Classification of Bot Accounts within Twitter
Twitter的开放特性允许程序通过Twitter API自动生成和控制Twitter帐户。这些被称为机器人的帐户可以自动执行诸如推文,重新推文,关注,取消关注或直接向其他帐户发送消息等操作,就像真人一样。他们还可以执行恶意任务,如传播假新闻,垃圾邮件,恶意软件和其他网络犯罪。在本文中,我们介绍了一种新的机器人检测方法,使用深度学习,多层感知器神经网络和机器人账户的九个特征。开发了一个网络爬虫,可以自动从公共Twitter帐户收集数据,并构建测试和训练数据集,其中包含860个人类和机器人帐户的样本。经过初始训练后,多层感知器神经网络的总体准确率达到92%,证明了所提出的方法的性能。
2021-09-08 cs.AI cs.CR cs.SI
A Review of Deep Learning Techniques for Protein Function Prediction
Delhi Technological University(德里理工大学)
近年来,深度学习和大数据在生物信息学和计算生物学方面取得了巨大成功;人工智能方法也在蛋白质功能分类任务中做出了重大贡献。本文分析了使用深度学习预测蛋白质功能的方法的最新进展。我们解释了确定蛋白质功能的重要性以及为什么自动化以下任务至关重要。然后,在回顾了广泛使用的深度学习技术之后,我们继续回顾并强调了现代最先进的(SOTA)深度学习模型的出现,这些模型在过去几年中在计算机视觉,自然语言处理和多模态学习领域取得了突破性的成果。我们希望这篇综述将为深度学习在生物科学中的当前作用和进展提供一个广泛的视角,特别是在预测蛋白质功能任务方面,并鼓励新的研究人员为这一领域做出贡献。
2022-10-27 cs.AI cs.LG q-bio.BM
Ensemble deep learning: A review
Indian Institute of Technology Indore(印度理工学院印多尔分校);Nanyang Technological University(南洋理工大学);Qatar University(卡塔尔大学)
包围学习结合了多个独立的模型,以获得更好的泛化性能。目前,与浅层或传统模型相比,深度学习架构显示出更好的性能。深度集成学习模型结合了深度学习模型和集成学习的优点,使得最终模型具有更好的泛化性能。本文综述了深系综模型的发展现状,并对深系综模型的研究作了较为全面的总结。集成模型大致分为bagging,boosting,stacking,基于负相关的深度集成模型,显式/隐式集成,同质/异质集成,基于决策融合策略的深度集成模型。最后简要讨论了深系综模式在不同领域的应用。最后,我们总结了本文的一些潜在的未来研究方向。
2022-08-08 cs.AI cs.CV cs.LG
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
A Review of the Convergence of 5G/6G Architecture and Deep Learning
5G架构与深度学习的融合,无论是在无线通信领域,还是在人工智能领域,都收获了不少研究兴趣。这是因为深度学习技术已被确定为构成5G架构的5G技术的潜在驱动力。因此,对5G架构和深度学习的融合进行了广泛的调查。然而,大多数现有的调查论文主要集中在深度学习如何与特定的5G技术融合,因此没有涵盖5G架构的全部内容。尽管最近有一篇调查论文看起来很有说服力,但对该论文的回顾表明,它的结构并没有很好地涵盖深度学习和5G技术的融合。因此,本文对关键5G技术和深度学习的融合进行了全面概述。这种融合所面临的挑战进行了讨论。此外,还简要概述了未来的6 G架构,以及它如何与深度学习融合。
2022-08-16 cs.AI cs.LG cs.NI
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
Real-time and Zero-footprint Bag of Synthetic Syllables Algorithm for E-mail Spam Detection Using Subject Line and Short Text Fields
Earthlink Internet(Earthlink互联网)
针对电子邮件垃圾检测中深度学习资源消耗大的问题,提出应用于主题行等短文本的实时零足迹合成音节词袋算法,通过生成稀疏向量计算相似度,在真实SMTP流量中验证了其高效拦截垃圾邮件的能力。
2025-10-31 cs.CL cs.CR
A Review of Deep Learning-based Approaches for Deepfake Content Detection
São Paulo State University(圣保罗州立大学);TECNALIA(泰克纳利亚科技中心);University of the Basque Country (UPV/EHU)(巴斯克大学(UPV/EHU));Universidad Politécnica de Madrid(马德里理工大学)
本文全面综述了基于深度学习的深度伪造内容检测方法,系统回顾了不同检测类别,分析了现有研究的优缺点,并提出了未来研究方向。
2024-02-15 cs.AI cs.CV
Detecting Student Disengagement in Online Classes Using Deep Learning: A Review
Cairo University(开罗大学)
本综述探讨了使用深度学习技术(如计算机视觉和情感计算)检测在线学习中学生的不参与行为,分析了38项研究中的面部表情、眼球运动、姿势及鼠标活动等指标,为在线课堂实时参与度监测提供了未来研究见解。
2024-11-04 cs.AI cs.HC
Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review
University of Tehran(德黑兰大学)
本文全面综述了自主导航中的端到端深度学习框架,涵盖障碍物检测、路径规划等核心功能,评估了现有方法的实现与挑战,并探讨了未来发展方向。
2023-05-23 cs.AI cs.RO cs.SY
Towards Accurate Deceptive Opinion Spam Detection based on Word Order-preserving CNN
College of Information Engineering, Inner Mongolia University of Technology(内蒙古工业大学信息工程学院);University of Chinese Academy of Sciences(中国科学院大学)
如今,深度学习已经得到了广泛的应用。在自然语言学习中,由于其高度的灵活性,对复杂语义的分析已经实现。欺骗性观点检测是深度学习模型的一个重要应用领域,其相关机制受到了广泛的关注和研究。在线意见很短,类型和内容多样。为了有效地识别虚假意见,需要全面研究虚假意见的特征,在文本分析中除了广泛使用的文本语义和情感极性之外,还需要发掘新的特征。基于深度学习的检测机制具有较好的自适应性,能够有效识别各种欺骗性意见。本文通过在卷积神经网络模型的卷积层和池化层嵌入词序特征,对卷积神经网络模型进行优化,使卷积神经网络更适合于各种文本分类和欺骗性意见检测。基于TensorFlow的实验表明,本文提出的检测机制能够获得更准确的欺骗性意见检测结果。
2018-03-19 cs.CL
Review of Deep Learning
近年来,中国、美国等国家、谷歌等高科技公司都加大了对人工智能的投入。深度学习是当前人工智能研究的重点领域之一。本文对深度学习的最新进展和未来研究方向进行了分析和总结。首先,概述了深度学习的三种基本模型,包括多层感知器、卷积神经网络和递归神经网络。在此基础上,我们进一步分析了卷积神经网络和递归神经网络等新兴模型。然后总结了深度学习在语音处理、计算机视觉、自然语言处理等人工智能领域的应用,最后讨论了深度学习存在的问题,并给出了相应的可能解决方案。
2018-08-28 cs.CV cs.LG cs.NE
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
Estimating the Prevalence of Deception in Online Review Communities
Cornell University(康奈尔大学)
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-故意写的虚假评论听起来真实,欺骗读者。但是,虽然这种做法已经收到了相当大的公众关注和关注,相对较少的是知道的实际患病率,或率,欺骗在网上评论社区,和更少的影响它的因素,我们提出了一个生成模型的欺骗,结合欺骗分类,我们用来探索欺骗的流行在六个流行的网上评论社区:Expedia,Hotels.com,Orbitz,Priceline,TripAdvisor,和Yelp。我们还提出了一个基于经济信号理论的在线评论的理论模型,其中消费者评论通过充当产品真实未知质量的信号来减少消费者和生产者之间固有的信息不对称。我们发现,欺骗性的意见垃圾邮件是一个日益严重的问题,但不同的社区增长率。我们认为,这些比率是由每个评论社区与欺骗相关的不同信号成本驱动的,例如,发布要求。当采取措施增加信令成本时,例如,过滤由第一次评论者撰写的评论,有效地降低了欺骗流行率。
2012-04-12 cs.CL cs.CY cs.SI
Spam and Sentiment Detection in Arabic Tweets Using MARBERT Model
Imam Abdulrahman Bin Faisal University(伊玛目阿卜杜勒拉赫曼·本·法伊塞尔大学);Saudi Telecom Company(沙特电信公司);Saudi Aramco Cybersecurity Chair(沙特阿美网络安全主席)
本研究利用MARBERT模型对阿拉伯语推文进行情感分析,以提升沙特电信公司客户服务,在24,513条推文数据集上取得了优于现有技术的准确率。
2026-06-25 cs.AI cs.CL
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
On the Role of Reviewer Expertise in Temporal Review Helpfulness Prediction
University of Alberta(阿尔伯塔大学)
有用的评论对于电子商务服务的成功至关重要,因为它们可以帮助客户快速做出购买决定,并使商家在销售中受益。虽然许多评论是信息性的,但其他评论提供的价值很少,可能包含垃圾邮件,过度评价或意想不到的偏见。随着大量的评论和他们的质量参差不齐,检测有用的评论的问题最近引起了人们的广泛关注。识别有用评论的现有方法主要集中在评论文本上,忽略了两个关键因素:(1)谁发布评论和(2)评论何时发布。此外,有益的投票受到稀缺的不太受欢迎的产品和最近提交的(a.k.a.,冷启动)评论。为了解决这些挑战,我们引入了一个数据集,并开发了一个模型,该模型集成了评审员的专业知识,来自评审员过去的评审历史,以及评审的时间动态,以自动评估评审的有用性。我们在我们的数据集上进行实验,以证明结合这些因素的有效性,并报告与几个完善的基线相比改进的结果。
2023-02-22 cs.CL cs.IR
DeepReview: Improving LLM-based Paper Review with Human-like Deep Thinking Process
Zhejiang University(浙江大学);Westlake University(西湖大学);University College London(伦敦大学学院)
本文提出DeepReview多阶段评审框架及DeepReview-13K数据集,训练的DeepReviewer-14B以更少token超越CycleReviewer-70B,并在对比GPT-o1和DeepSeek-R1时取得最高88.21%胜率,为LLM论文评审设立新基准。
2025-03-11 cs.CL cs.LG
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
Deep Learning Based Text Classification: A Comprehensive Review
Snapchat Inc(Snapchat公司);Google Brain(谷歌大脑);Nanyang Technological University(南洋理工大学);University of Tabriz(大不里士大学);Microsoft Research(微软研究院)
基于深度学习的模型在各种文本分类任务中已经超越了基于经典机器学习的方法,包括情感分析、新闻分类、问答和自然语言推理。在本文中,我们全面回顾了近年来开发的150多种基于深度学习的文本分类模型,并讨论了它们的技术贡献、相似性和优势。我们还提供了广泛用于文本分类的40多个流行数据集的摘要。最后,我们对不同深度学习模型在流行基准测试上的性能进行了定量分析,并讨论了未来的研究方向。
2021-01-04 cs.CL cs.LG stat.ML
Yelp Review Rating Prediction: Machine Learning and Deep Learning Models
Georgia Institute of Technology(佐治亚理工学院)
我们基于Yelp Open Dataset从Yelp评论中预测餐厅评级。给出了数据分布,并建立了一个平衡的训练数据集。两个矢量化的特征工程进行了实验。实现了朴素贝叶斯、逻辑回归、随机森林和线性支持向量机四种机器学习模型。还应用了四种基于变换器的模型,包括BERT、DistilBERT、RoBERTa和XLNet。准确性,加权F1得分和混淆矩阵用于模型评估。XLNet的五星分类准确率为70%,而Logistic回归的准确率为64%。
2020-12-12 cs.CL cs.IR cs.LG
Machine Learning for Food Review and Recommendation
Nanyang Technological University(南洋理工大学)
食品评论和建议一直是在线食品服务网站的重要组成部分。然而,评论和推荐食物并不简单,因为它可能会被不同的上下文和含义所淹没。在本文中,我们使用不同的深度学习方法来解决情感分析、自动评论标签生成和食品评论检索等问题。我们建议在南洋理工大学(NTU)开发一个基于网络的食品评论系统,名为NTU Food Hunter,它结合了不同的深度学习方法,帮助用户选择食物。首先,我们将BERT和LSTM深度学习模型实现到食品评论的情感分析系统中。然后,我们开发了一个词性(POS)算法来自动识别和提取的评论内容的形容词-名词对的评论标签生成的基础上词性标注和依存句法分析。最后,我们还训练了一个RankNet模型,用于对检索结果进行重新排序,以提高基于Solr的食品评论搜索系统的准确性。实验结果表明,我们提出的深度学习方法是有前途的实际问题的应用。
2022-01-15 cs.CL cs.IR cs.LG
Deep Learning Sentiment Analysis of Amazon.com Reviews and Ratings
University of Nevada Las Vegas(内华达大学拉斯维加斯分校)
我们的研究采用情感分析来评估Amazon.com评论与其相应评级的兼容性。情感分析是将文本中表达的情感识别和分类为积极或消极的任务。在Amazon.com等电子商务网站上,消费者可以提交他们的评论以及特定的极性评级。在某些情况下,审查和评级之间存在不匹配。为了识别评分不匹配的评论,我们使用深度学习对Amazon.com产品评论数据进行了情感分析。利用段落向量将产品评论转化为向量,然后训练具有门控递归单元的递归神经网络。我们的模型结合了评论文本和产品信息的语义关系。我们还开发了一个Web服务应用程序,该应用程序使用训练模型预测提交评论的评级分数,如果预测的评级分数和提交的评级分数之间存在不匹配,它会向评论者提供反馈。
2019-04-04 cs.CL cs.IR cs.LG
A Review of Different Word Embeddings for Sentiment Classification using Deep Learning
Kalinga Institute of Industrial Technology(卡林加工业技术学院)
网络上充满了文本内容,而自然语言处理是机器学习中最重要的领域之一。但是当数据量很大时,简单的机器学习算法无法处理它,这就是基于神经网络的深度学习发挥作用的时候。然而,由于神经网络不能处理原始文本,我们必须通过一些不同的词嵌入策略来改变它们。本文演示了在Amazon Review Dataset上实现的这些独特的词嵌入策略,该数据集具有两种可分类的情感:基于大量客户评论的快乐和不快乐。此外,我们证明了区别的准确性与话语的词嵌入适用时。
2018-07-05 cs.CL cs.IR cs.LG
Aspect-Based Sentiment Evolution and its Correlation with Review Rounds in Multi-Round Peer Reviews: A Deep Learning Approach
Department of Information Management, Nanjing University of Science and Technology(南京理工大学信息管理学院);School of Economics and Management, East China Normal University(华东师范大学经济管理学院)
本研究利用深度学习方法从多轮同行评审文本中提取方面级情感,发现随着评审轮次增加,正面情感比例上升、负面情感下降,且方面情感得分与总轮次负相关。
2026-06-24 cs.CL cs.DL cs.HC