基于知识图谱的虚假评论检测方法研究

摘要

目前，电子商务在日常生活中扮演着非常重要的角色。而在线评论在电子商务应用中起着至关重要的作用，它帮助人们比较产品的质量、评估商店的服务，并作为消费者购买决策的依据。但是，由于利益的驱动，商家开始雇佣水军冒充普通顾客伪造评论，试图通过虚假的评论来误导消费者。一方面对自己的商品进行好评，另一方面对于竞争者恶意诋毁。虚假评论的存在，使营造公平公正的网络购物环境带来了巨大挑战。因此，如何有效识别虚假评论成为亟待解决的网络安全问题之一。许多工作者专注于研究虚假评论的检测方法，所研究的成果在帮助用户提供合理购物决策同时对商家良性竞争有指导意义。 尽管研究人员对虚假评论检测取得了很大进展，但依旧存在很多不足之处。首先，研究成果没有挖掘评论文本的多维特征以及与评分之间的一致性问题；其次，忽略了评论数量及评分与时间序列存在隐含关系；最后，没有考虑多模网络特征对识别虚假评论的影响。所以，目前的研究算法对虚假评论的识别仍旧存在很大问题。 针对以上对虚假评论检测存在的问题，本文提出并深入研究一种基于知识图谱的虚假评论检测方法。本文主要工作如下： （1）提出一种基于评分-文本一致性的虚假评检测方法。首先，分析评论文本的情感极性，考虑情感强度、特征影响度对文本极性的影响，并判断文本极性与评分的一致性；其次，通过分析多源特征简化特征集，进而提取5个重要的虚假评论检测特征；最后，融合抽取的多个虚假评论特征，构建出虚假评论检测分类器。该方法是计算知识图谱中评论真实性的重要前提。 （2）提出一种基于多维时间序列的虚假评论识别方法。首先，在评分和评论数量两个维度上，借助于贝叶斯算法，拟合一条曲线时间序列曲线；其次，设置滑动时间窗口并使用模板匹配算法检测拟合曲线突发模式；最后，比较突发时间段的评分与评论数量的一致性。该方法是根据评论数量及评分突然上升或下降的特点提出的，不但能高效率的检测虚假评论而且有效的检测商铺刷单问题。 （3）提出一种基于动态知识图谱的虚假评论检测方法。首先，构建了多粒度双向LSTM（ST-BLSTM）网络模型，用以抽取包含评论者、评论、商品和店铺的四类实体；其次，定义了实体间的关系度量并探讨了四类实体之间的联系；然后，考虑了时间因素对虚假评论的影响，设计了一个迭代模型，在关系抽取中加入时间特征，构建动态图谱网络；最后，定义4个新指标，以有效衡量四类节点间的相互影响关系，并据此构建出虚假评论检测分类器。 此外，为支持本文的创新性，本文利用八爪鱼数据器采集了大量多特征评论数据集。该数据集弥补了当前数据单模且信息不完善的缺点。该数据集包含用户、评论、商品、店铺以及评论时间等多模特征信息。数据采集过程主要步骤如下：首先，通过目前虚假评论特点和查找文献，检验本文采集信息源的合理性；再次，针对原始数据进行标准化并进行多模特征相关性分析；最后，验证多模特征信息对在虚假评论检测的重要性。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1虚假评论研究

1.2.2知识图谱研究

1.3 本文的结构安排及研究工作

1.3.1 主要研究内容

1.3.2 结构安排

第二章 基于评分-文本一致性的虚假评论检测算法

2.1基于文本与评分一致性检测算法

2.2 虚假评论特征选择

2.3 虚假评论检测模型

2.4实验分析

2.4.1 实验数据

2.4.2 方法模型检测

2.4.3 实验结果与分析

2.5 本章小结

第三章 基于时间序列的虚假评论检测算法

3.1 基于时间序列的模型构建

3.2数据采集介绍

3.3实验分析

3.3.1 实验数据集

3.3.2 方法模型检测

3.3.3 实验结果与分析

3.4本章小结

第四章 基于动态知识图谱的虚假评论检测算法

4.1 知识图谱的构建过程

4.1.1 基于ST-BLSTM的实体抽取

4.1.2聚类算法

4.1.3实体之间的关联关系

4.1.4动态多模的知识图谱构建

4.2虚假评论量化指标

（1）评论者的可靠性

（2）评论的真实性

（3）商品的优质度

（4）商店的信誉度

4.3特征量化计算

4.4实验分析

4.4.1实验数据

4.4.2评价指标

4.4.3实验结果与分析

4.5 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

攻读硕士学位期间取得的科研成果

致谢