基于無監(jiān)督圖嵌入算法的虛假評論檢測

摘 要 近年來，國內(nèi)外眾多學者對虛假評論檢測進行研究，本文針對虛假評論人進行檢測，利用無監(jiān)督圖嵌入算法（node2vec）獲取評論人向量，進而獲得評論人之間的距離，根據(jù)距離計算出評論人的作弊度。同時將評論人特征融合為作弊先驗，有效地篩選出了有對產(chǎn)品進行虛假評論的評論人。

關鍵詞 虛假評論檢測;圖嵌入;無監(jiān)督學習;特征融合

針對虛假評論檢測問題，本文構(gòu)建評論人圖結(jié)構(gòu)模型，使用無監(jiān)督圖嵌入算法（node2vec）將評論人圖中的節(jié)點嵌入到低維向量空間中，使得圖中的評論人節(jié)點轉(zhuǎn)化為向量，通過計算評論人之間的Frobenius距離以估計評論人在向量空間中的距離，以此衡量評論人的作弊度并排序。

1相關算法

1.1 node2vec算法

node2vec算法[1]是圖嵌入方法的一種。該算法指定了兩個參數(shù)，p，q。參數(shù)p稱為返回參數(shù)，控制重復訪問剛剛訪問過頂點的概率，p值較高，概率較低。參數(shù)q稱為進出參數(shù)，控制著游走方向，實現(xiàn)指定游走趨向于DFS還是BFS，q>1傾向于BFS，q<1則更傾向于DFS。

1.2 特征融合

一組評論特征F{xl1，xl2…xlF}，將F融合為一個作弊分數(shù)。后使用經(jīng)驗累積分布函數(shù)統(tǒng)一為可比較的尺度和分布。

經(jīng)過上述步驟后，不同特征極性均轉(zhuǎn)化為f（xli）的值，越低表示作弊嫌疑越高。

隨后將評論先驗轉(zhuǎn)化為評論人先驗。采用Abbr、RD、EXT、DEV、ETF、ISR等特征[2]將該評論人所有評論的最大先驗作為該評論人的作弊先驗 。

2算法模型分析

2.1 圖結(jié)構(gòu)建立

假設有包含了m個評論人U={ui，i=1，2，...，m}對n個產(chǎn)品P={pk，k=1，2，...，n}的所有評論構(gòu)成的數(shù)據(jù)集。數(shù)據(jù)集包括：評論人id，被評論人所評論的產(chǎn)品id，評論人對產(chǎn)品的打分評級，以及打分時間。如圖1所示，評論人ui對產(chǎn)品Pk撰寫了評分為ri的評論Vik，這一系列行為可以用一個元組的形式表示為vik=（ui， pk， rik）。

算法需要有效的虛假評論人的特征，并且當一個產(chǎn)品在短時間內(nèi)突然接收到的評論量暴增時，往往會有大量的虛假評論人參與其中[2-3]，這就涉及團體評論作弊活動。

為描述團體作弊活動，基于協(xié)同評論行為構(gòu)建評論人圖模型，如圖1所示。兩條協(xié)同評論的緊密度通過兩者的評論vik和vjk計算得到。用協(xié)同行為緊密度來衡量評論緊密度如定義一。

定義1：給定評論同一產(chǎn)品的兩個評論人ui、uj，撰寫了評論Vik，Vjk，兩條評論的時間差Δt、打分差Δr，定義評論間的緊密度為：

評論人可能評論多個目標產(chǎn)品，因此通過多個協(xié)同評論行為定義評論人的緊密度。

定義2：評論人緊密度，給定兩個評論用戶ui、uj，Pi為評論人ui所評論的產(chǎn)品集合，兩個用戶間的緊密度：

2.2 圖結(jié)構(gòu)算法模型

為計算每一個評論人的作弊度建立評論人-評論人圖模型，如定義3所示。

定義3：評論人圖，令U={u1，u2，u3…um}表示m個評論人的節(jié)點集合，根據(jù)公式得到評論人之間緊密度，建立評論人-評論人圖G=（V，E），E={（ui，uj）│collu（ui，uj）=1，ui，uj ∈U}。

3實驗結(jié)果分析

結(jié)果表明，本文方法與FraudScan方法相比充分利用圖結(jié)構(gòu)信息，考慮協(xié)同評論行為，從全局到局部對虛假評論進行篩查，AP值，精度，NDCG值均有有效提升，并能有效降低篩查誤差。本研究提出的方法可有效應用于實際中，也可為設計基于無監(jiān)督圖嵌入檢測方法的研究提供參考。

參考文獻

[1] GROVER A，LESKOVEC J.Node2vec：scalable feature learning for networks[C].Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining.San Francisco，California，USA：ACM，2016：855-864.

[2] Wang Z，Hu R，Chen Q，et al. ColluEagle： Collusive review spammer detection using Markov random fields [J]. Data Mining and Knowledge Discovery，2019（10）：723.

[3] S. Rayana， L. Akoglu. Collective opinion spam detection： bridging review networks and metadata [C].In Proceedings of KDD，Sydney，Australia，2015：985-994.

作者簡介

彭明夷（1996-），女，遼寧省大連市人;沈陽理工大學在讀碩士研究生，專業(yè)：計算機技術(shù)，學歷：工程碩士，研究方向：大數(shù)據(jù)原理及應用。