利用情感极性与SMOTE过采样提升虚假评论检测

本文提出了一种基于情感极性与SMOTE过采样的虚假评论识别方法，旨在解决在线商品虚假评论的识别问题。该方法通过构建多维特征模型，结合情感极性的统计指标（如均值和标准差），以及处理不平衡数据集的SMOTE算法，优化随机森林分类器，提升识别准确性。 文章详细介绍了研究背景和方法。在电子商务平台上，虚假评论严重影响消费者的购物决策，因此，有效地检测虚假评论是保护消费者权益的关键。研究者首先分析了虚假评论的特性，并构建了一个包含多种特征（可能包括文本内容、用户行为模式等）的模型。接着，他们改进了情感极性算法，添加了情感极性的平均值和标准差，以更全面地评估评论的真实性。这些统计指标有助于捕捉到虚假评论中可能存在的情感异常。 面对数据集中正负样本不平衡的问题，研究者采用了SMOTE（Synthetic Minority Over-sampling Technique）过采样技术。SMOTE是一种常用的处理类别不平衡问题的方法，它通过生成新的少数类样本来平衡两类样本的数量，从而避免分类器偏向多数类。将SMOTE应用到随机森林分类器上，可以显著改善模型对少数类（如虚假评论）的识别能力。 为了验证这种方法的有效性，研究团队使用了大众点评网的真实评论数据进行实验。实验结果显示，该方法在处理不平衡数据集时，能实现更高的准确率、召回率和F值，证明了其在过滤虚假评论方面的优越性能。这一方法对于电商平台来说，不仅有助于提升评论的真实性和可信度，还能帮助消费者做出更准确的购买决策。 关键词涵盖了虚假评论、情感极性、用户行为、逻辑回归和随机森林，显示了研究的多个核心方面。逻辑回归可能被用作另一种分类模型进行比较，而随机森林则作为最终优化的分类器。整体而言，这项工作为虚假评论识别提供了新的思路，对数据挖掘和自然语言处理领域有积极的贡献。 文章发表于2018年，由缪裕青、欧威健、刘同来、刘水清和文益民等人共同完成，得到了广西自然科学基金和桂林电子科技大学等相关项目的资助。研究团队成员来自不同的研究背景，包括数据挖掘、云计算、并行计算和社会计算等领域，他们的合作体现了跨学科研究的优势。