Profesyonel Kötü Niyetli Çevrimiçi İncelemeleri Makine Öğrenimi ile Tespit Etme

Çin ve ABD arasındaki yeni bir araştırma işbirliği, rakipleri zayıflatmak veya şantaj yapmak için tasarlanmış kötü niyetli e-ticaret incelemelerini tespit etmek için bir yöntem sunuyor.

Sistem, kötü niyetli kullanıcı tespit modeli (MMD) adını taşır. Metrik öğrenimini, bilgisayarlı görüde yaygın kullanılan ve öneri sistemlerinde de kullanılan bu tekniği, bir tekrarlayan sinir ağı (RNN) ile birleştirir. Böylece makalede Profesyonel Kötü Niyetli Kullanıcılar (PMU) olarak adlandırılan yorumcuların yayınlarını belirler ve etiketler.

Harika! 1 yıldız

Çevrimiçi e-ticaret incelemeleri genellikle iki tür kullanıcı geri bildirimi sağlar: bir yıldız puanı (veya 10 üzerinden bir puan) ve metin tabanlı bir inceleme. Tipik bir durumda, bunlar mantıksal olarak birbirini takip eder (örneğin, kötü bir inceleme düşük bir puanla eşlik eder).

PMU’lar ise bu mantığı bozarlar, ya kötü bir metin incelemesiyle yüksek bir puan bırakarak ya da düşük bir puanla iyi bir inceleme bırakarak.

Bu, kullanıcının incelemesinin itibar hasarına neden olmasını sağlar, ancak e-ticaret siteleri tarafından kötü niyetli olumsuz incelemelerin çıktısını tanımlamak ve ele almak için kullanılan göreceli olarak basit filtreleri tetiklemez. Doğal Dil İşleme (NLP) tabanlı bir filtre, inceleme metninde hakaret içeriyorsa, bu uyarı fiilen PMU tarafından atanan yüksek yıldız (veya ondalık) puan tarafından iptal edilir, böylece kötü niyetli içeriği istatistiksel olarak ‘nötr’ hale getirir.

Bir kötü niyetli inceleme nasıl istatistiksel olarak gerçek incelemelerle birleştirilebilir, bir işbirlikçi filtreleme sisteminin bakış açısına göre. Kaynak: https://arxiv.org/pdf/2205.09673.pdf

Yeni makale, PMU’ların genellikle olumsuz yorumları değiştirme ve/veya daha fazla olumsuz yorum yayımlamama karşılığında çevrimiçi perakendecilerden para sızdırmayı amaçladığını belirtiyor. Bazıları geçici olarak indirim arayan bireylerdir; ancak PMU’lar sıklıkla mağdurun rakipleri tarafından geçici olarak işe alınır.

Negatif İncelemeleri Gizleme

Mevcut nesil otomatik dedektörler, böyle incelemeleri tespit etmek için İşbirlikçi Filtreleme veya içerik tabanlı model kullanır ve her iki geri bildirim yöntemi boyunca açık ve net ‘aykırı’ olan incelemeleri arar ve genel yorum duyarlılığı ve puanından önemli ölçüde sapar.

Diğer klasik imza, böyle filtrelerin odaklandığı yüksek gönderme sıklığıdır, oysa bir PMU stratejik olarak ve yalnızca ara sıra gönderir (her inceleme, tek bir ücretli görevi veya ‘sıklık’ ölçütünü bulanıklaştırmaya yönelik daha uzun bir stratejideki bir aşama olabilir).

Bu nedenle, yeni makalenin yazarları, profesyonel kötü niyetli incelemelerin tuhaf polaritesini, bir algoritma oluşturmak için entegre etti, bu algoritma, bir insan incelemecinin ‘koku alma’ yeteneğine yakın bir seviyede, puan ve inceleme metni içeriği arasındaki uyumsuzluğu tespit edebilir.

MMD’nin kavramsal mimarisi: iki merkezi modül: Kötü Niyetli Kullanıcı Profili (MUP) ve Dikkatli Metric Öğrenimi (MLC, gri).

Önceki Yaklaşımlarla Karşılaştırma

MMD, yazarlara göre, PMU’ları onların puan ile metnin çeliştiği yayın tarzına dayalı olarak tespit etmeye çalışan ilk sistemdir, bu nedenle doğrudan karşılaştırmak için önceki çalışmalar yoktur. Bu nedenle araştırmacılar, sistemlerini geleneksel otomatik filtrelerin sıkça dayandığı çeşitli bileşen algoritmalarıyla karşılaştırdı, bunlar arasında K-means++ Kümeleme; İstatistiksel Aykırı Değer Tespiti (SOD); Hysad; Semi-sad; CNN-sad; ve Slanderous Kullanıcı Tespit Öneri Sistemi (SDRS).

Amazon [securities_stock_price_tag symbol="amzn" exchange="nasdaq"] ve Yelp’ten etiketli veri kümelerine karşı test edildiğinde, MMD en yüksek doğruluk oranıyla profesyonel online eleştirmenleri tespit edebiliyor, yazarlar iddia ediyor. Kalın yazı MMD’yi, yıldız (*) en iyi performansı gösterir. MMD yalnızca iki görevde, kendi bünyesinde bulunan fakat varsayılan olarak o göreve özel ayarlanmamış MUP bileşenine yenilmiştir.

Bu durumda, MMD, Taobao ve Jindong’dan etiketsiz veri kümeleriyle karşılaştırıldı, bu da fiilen denetimsiz öğrenme görevidir. Yine yalnızca MMD’nin kendi bileşenlerinden biri, test görevi için özel olarak uyarlandığında onu geride bırakmıştır.

Araştırmacılar gözlemliyor:

‘Tüm dört veri kümesinde, önerilen modelimiz MMD (MLC+MUP), F-puanı açısından tüm temel modelleri geride bırakıyor. MMD, MLC ve MUP’nin bir kombinasyonu olduğunu unutmayın, bu da onu genel olarak denetimli ve denetimsiz modeller üzerinde üstün kılar.’

Makale ayrıca, MMD’nin geleneksel otomatik filtre sistemleri için faydalı bir ön işleme yöntemi olarak hizmet edebileceğini ve çeşitli veri kümeleri üzerinde deneysel sonuçlar sunuyor, bunlar arasında Kullanıcı Tabanlı İşbirlikçi Filtreleme (UBCF), Öğe Tabanlı İşbirlikçi Filtreleme (IBCF), Matris Faktörleştirme (MF-eALS), Bayesçi Kişiselleştirilmiş Sıralama (MF-BPR) ve Nöral İşbirlikçi Filtreleme (NCF).

Bu test edilen eklemelerin sonuçlarında, Vuruş Oranı (HR) ve Normalleştirilmiş İndirgenmiş Toplu Kazanç (NDCG) açısından, yazarlar şunları belirtiyorlar:

‘Tüm dört veri kümesinde, MMD, HR ve NDCG açısından öneri modellerini önemli ölçüde geliştiriyor. Özellikle, MMD, HR’nin performansı ortalama %28,7 ve NDCG’nin %17,3’ünü artırabilir.’

‘Profesyonel kötü niyetli kullanıcıları silerek, MMD veri kümelerinin kalitesini geliştirebilir. Bu profesyonel kötü niyetli kullanıcıların sahte geri bildirimleri olmadan, veri kümesi daha [anlaşılır]hale gelir.’

Makale, Öneri Sistemlerinde Metric Öğrenimi ile Profesyonel Kötü Niyetli Kullanıcı Tespiti olarak adlandırılıyor ve Jilin Üniversitesi Bilgisayar Bilimi ve Teknoloji Bölümü’nden, Çin Bilimler Akademisi Beijing’deki Akıllı Bilgi İşleme Anahtar Laboratuvarı’ndan ve New Jersey’deki Rutgers İşletme Okulu’ndan araştırmacılardan geliyor.

Veri ve Yaklaşım

PMU’ları tespit etmek, iki eşdeğer olmayan parametre (numerik değer yıldız/onluk puan ve metin tabanlı inceleme) dikkate alınması gereken çok modlu bir zorluktur. Yeni makalenin yazarları, bu zorluğun daha önce hiçbir çalışma tarafından ele alınmadığını iddia ediyor.

MMD, inceleme içeriğini bir sentiment puanına dönüştürmek için Hiyerarşik Çift Dikkatli Tekrarlayan Sinir Ağı (HDAN) kullanır.

HDAN ile bir inceleme sentiment puanına dönüştürülüyor, bu da kelime gömme ve cümle gömme katkılarından yararlanarak sentiment puanı elde ediyor.

HDAN, her kelimeye ve her cümleye ağırlık atamak için dikkat mekanizmaları kullanır. Yukarıdaki resimde, yazarlar, daha kötü kelimesinin açıkça diğer kelimelerle yarışan kelimelere göre daha büyük ağırlık atanması gerektiğini belirtiyorlar.

Proje için, HDAN, dört veri kümesindeki ürünlerin puanlarını temel gerçek olarak aldı. Veri kümeleri, Amazon.com; Yelp için RecSys (2013); ve iki ‘gerçek dünya’ (deneysel olmayan) veri kümesi, Taobao ve Jindong’dan geldi.

MMD, varlıklar arasındaki doğru mesafeyi tahmin etmeye çalışan Metric Öğrenimi kullanır ve bu, verilerdeki genel ilişki grubunu karakterize eder.

MMD, bir tek-sıcak kodlama (one-hot) ile başlar ve bir Gizli Faktör Modeli (LFM) aracılığıyla kullanıcıyı ve öğeyi seçer, bu da temel bir puan puanı elde eder. Bu arada, HDAN inceleme içeriğini sentiment puanına dönüştürür.

Sonuçlar daha sonra Kötü Niyetli Kullanıcı Profili (MUP) modeline işlenir, bu da sentiment açığı vektörü olan puan ve inceleme metni içeriğinin sentiment puanı arasındaki uyumsuzluğu verir. Bu şekilde, ilk kez PMU’lar kategorize edilebilir ve etiketlenebilir.

Kümeleme için Dikkatli Metric Öğrenimi.