CN116737934B - 一种基于半监督图神经网络的水军虚假评论检测算法 - Google Patents

一种基于半监督图神经网络的水军虚假评论检测算法 Download PDF

Info

Publication number
CN116737934B
CN116737934B CN202310735240.5A CN202310735240A CN116737934B CN 116737934 B CN116737934 B CN 116737934B CN 202310735240 A CN202310735240 A CN 202310735240A CN 116737934 B CN116737934 B CN 116737934B
Authority
CN
China
Prior art keywords
graph
nodes
comment
neural network
target node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310735240.5A
Other languages
English (en)
Other versions
CN116737934A (zh
Inventor
曹杰
刘业政
杨善林
洪日昌
汤江南
王有权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202310735240.5A priority Critical patent/CN116737934B/zh
Publication of CN116737934A publication Critical patent/CN116737934A/zh
Application granted granted Critical
Publication of CN116737934B publication Critical patent/CN116737934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35Clustering; Classification
    • G06F16/355Class or cluster creation or modification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9536Search customisation based on social or collaborative filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/0895Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于半监督图神经网络的水军虚假评论检测方法。首先,从真实的英文网Amazon评论数据中选取三个关系进行多关系图构建。然后,以目标节点评论v为例,通过设计的基于注意力机制的消息聚合函数模块,得到的聚合过邻居节点信息后的目标节点v的特征表征。随后,在多维度空间中,利用对比监督学习模块捕捉不同类别的目标节点的类别边界,将同类节点拉近、异类节点拉远,加强各类别节点特征表征的约束。最后,用两层网络层分类器对目标节点特征进行分类预测。本专利通过构建多关系图以检测进行行为特征伪装以及关系间伪装的虚假用户,并设计多关系图内、图间的消息聚合函数,以便能高效地聚合图目标节点的邻居消息。

Description

一种基于半监督图神经网络的水军虚假评论检测算法
技术领域
本发明涉及在线网站虚假评论检测领域,尤其涉及基于图注意神经网络类,实现多关系图内以及图间注意力机制、基于对比监督学习的算法检测虚假评论。
技术背景
一些不法商家为了利润雇佣虚假评论者在社交平台上进行虚假评论以此来误导消费者,大量的虚假评论者隐藏在正常评论者中,这将严重影响网站平台的良性发展。传统的水军虚假评论将单一的评论特征输入分类器进行虚假评论分类检测,但随着虚假评论者通过模仿正常评论者的评论方式,分类器无法区分以假论真的评论,检测分类效果将打折扣。随着图神经网络的火热发展,众多的研究领域逐渐使用图神经网络进行现实场景应用。图神经网络适合提取处理复杂的图结构数据,这更适合检测本质上具有群体性的、具有复杂图结构关系的虚假评论者。
目前水军虚假评论检测算法的相关专利有:“一种基于多维度语义表示的攻击性评论检测方法”(申请号:CN202210571526.X)、“一种谩骂评论的检测方法及系统”(申请号:CN202210244932.5)、“基于特征融合及筛选的虚假评论检测方法、系统及介质”(申请号:CN202111623393.8)、“一种基于知识集成的虚假评论检测方法及系统”等专利。这些专利通常利用一些线性分类器将数据预处理后的评论文本或用户行为特征进行评论检测分类。然而这些方法仅仅依靠用户的评论文本以及行为特征进行分类,并且虚假评论者很容易伪装这些特征,使得分类器误将伪装的评论识别为正常评论,导致分类效果变差。另外,基于图神经网络的虚假评论检测算法相关专利也逐渐增多,包括:“冷启动环境下的虚假评论检测方法”(申请号:CN202110733235.1)、“虚假评论检测方法、装置、存储介质与电子设备”(申请号:CN202110757305.7)等专利。这些专利对评论节点进行单个关系构图,并利用图神经网络对目标节点进行消息聚合。构建单一关系图容错率远低于构建多关系图进行分类检测。
发明内容
本发明的目的是提供一种基于半监督图神经网络的水军虚假评论检测算法,检测出在线平台中存在的虚假评论,以改善在线平台的网络环境。
本发明的目的通过以下技术方案实现:一种基于半监督图神经网络的水军虚假评论检测方法,该方法包括:首先获取评论数据集(评论文本、评论时间、评论对象、评分、是否虚假评论等数据);然后将这数据集按每个评论数据进行数据预处理并将数据编码;将每个评论数据当作每个节点进行多关系图构建:1)对同一个用户发表的所有评论进行构图,2)任何商品的所有相似评分的评论进行构图,3)同两个月内任一商品下的所有评论构图;在构建好的多关系图中进行目标节点图内、图间消息聚合,得到聚合邻居消息后的目标节点特征;将聚合消息后的目标节点进行对比监督学习模块约束,使得同类节点空间上更加靠近、异类节点空间上更加拉开;将进行过对比监督学习后的节点输入二层神经网络进行分类。包括以下步骤:
1)获取相关的评论数据集,包括评论者ID、评论文本、评论时间、评论对象、评分、是否是虚假评论等数据。
2)将获取到的数据集按每个评论文本进行数据预处理以及数据编码。
3)将每个评论数据当作节点进行多关系图构建:对同一个用户发表的所有评论进行构图、何商品的所有相似评分的评论进行构图、同一个月内任一商品下的所有评论构图。
4)在构建好的多关系图中进行目标节点图内、图间消息聚合,得到聚合邻居消息后的目标节点特征。
5)将聚合消息后的目标节点进行对比监督学习模块约束,使得同类节点空间上更加靠近、异类节点空间上更加拉开。
6)将进行过对比监督学习后的节点输入二层神经网络进行分类。
进一步地,所述获取的相关评论数据集为:
本发明采用英文商品评论网站Amazon上真实可靠的公开数据集,包括评论者ID、评论文本、评论时间、评论对象、评分、是否是虚假评论等数据。
进一步地,所述对评论数据集进行预处理为:
对评论数据集进行预处理,包括该评论的文本特征编码、评论文本发表的时间、评论文本所对应的评分、评论文本的评论对象、评论文本是否是虚假评论等。评论数据特征按照评论文本、评论者行为、评论对象三大类特征进行构建。
进一步地,所述评论数据进行多关系构图为:
对同一个用户发表的所有评论节点相连接进行构图;商品的所有相似评分的评论节点相连接进行构图;同一个月内任一商品下的所有评论节点相连接进行构图。
进一步地,所述多关系图图内、图间消息聚合函数为:
其中,图内消息聚合函数为:
对于任意目标节点v,其具有特征向量v'为其邻居节点v'的特征向量。/>代表多关系图下子关系r的可训练特定参数矩阵,并且/> 是邻居节点v'的在图神经网络l-1层以及子关系图r下的特征向量表示。/>是目标节点v与其所有的邻居节点v'所构成的边的集合。/>表示目标节点v聚合了图神经网络l-1层以及子关系图r下的所有邻居节点的信息,形成了目标节点v在图神经网络l层以及子关系图r下的特征向量表示。/>是注意力系数,由如下公式推导:
符号||表示向量横向拼接,是可训练参数向量,*代表内积。/>为/>的内积结果。
其中,图间消息聚合函数为:
Wv代表可训练特定参数矩阵,并且 是邻居节点v'的在图神经网络l-1层下的特征向量表示。/>是注意力系数,由如下公式推导:
代表多关系图中的子关系图个数。/>是可训练的参数向量。/>表示/>与/>的内积结果。其他符号同上。
进一步地,所述对比监督学习模块为:
式中,N表示随机获取的正采样节点数,表示待分类节点数,exp()表示以自然常数e为底的指数函数,vi表示待分类节点,vj表示随机获取的负采样节点,vk表示随机获取的正采样节点,τ表示超参数。
其中sim(vi,vj)如下推导:
vi表示节点vi的特征向量,vj表示节点vj的特征向量。我们这里对该损失函数做个简化:exp(sim(vi,vj)/τ)增大,代表同类节点空间距离缩小。同时,异类节点空间距离变大,则分母变小,则ζSCL(Supervised Contrastive learning)随之减小。因此,本模块可以将同类节点的特征向量在空间上更加靠近、异类节点的特征向量空间上更加拉开,得到容易分类的各节点特征向量。
进一步地,两层神经网络分类预测为:
将经过多关系图内、图间聚合消息以及对比监督学习约束后的目标节点特征向量输入两层神经网络层构造二值交叉熵损失函数,进行虚假评论二分类预测。
有益效果:
本专利通过构建多关系图以检测进行行为特征伪装以及关系间伪装的虚假用户,并设计多关系图内、图间的消息聚合函数,以便能高效地聚合图目标节点的邻居消息。另外,本专利还利用对比监督学习思想,设计了对比监督学习算法模块,将聚合过邻居节点信息的目标节点施加类别边界约束。这种约束使得同类的节点在多维空间下距离更加接近,异类的节点距离拉开地更远,获得更容易分类的不同类别边界,强化图中节点的分类效果。
附图说明
图1为本发明的整体流程图;
图2为本发明的整体框架图;
图3为本模型测试效果折线图;
具体实施方式
下面结合附图和具体实施方式对本发明所属方法进一步说明。
本专利首先获取评论数据集(评论文本、评论时间、评论对象、评分、是否虚假评论等数据);然后将这数据集按每个评论数据进行数据预处理并将数据编码;将每个评论数据当作每个节点进行多关系图构建:1)对同一个用户发表的所有评论进行构图,2)任何商品的所有相似评分的评论进行构图,3)同一个月内任一商品下的所有评论构图;在构建好的多关系图中进行目标节点图内、图间消息聚合,得到聚合邻居消息后的目标节点特征;将聚合消息后的目标节点进行对比监督学习模块约束,使得同类节点空间上更加靠近、异类节点空间上更加拉开;将进行过对比监督学习后的节点输入二层神经网络进行分类。
图1为本发明的整体流程图,具体包括以下步骤:
步骤1、收集获取网络平台真实的评论数据集,包括评论者ID、评论文本、评论时间、评论对象、评分、是否是虚假评论等数据。随后,将这些数据进行预处理,得到Embedding数据。
步骤2、将每个评论数据当作每个节点进行多关系图构建:1)对同一个用户发表的所有评论进行构图,2)任何商品的所有相似评分的评论进行构图,3)同两个月内任一商品下的所有评论构图;
步骤3、在构建好的多关系图中进行目标节点图内、图间消息聚合,聚合基于注意力的邻居消息的目标节点特征。
步骤4、将聚合消息后的目标节点进行对比监督学习模块约束,使得同类节点空间上特征向量更加靠近、异类节点空间上特征向量更加拉开。
步骤5、使用两层神经网络对经过对比监督学习后的目标节点特征向量进行分类预测。
图2为本发明的整体框架图,算法训练具体包括以下步骤:
步骤1、从现实的评论数据集中抽象出图神经网络,图2中存在三种关系:
每个小圆圈代表一个评论数据,每个评论数据由构成27个特征构成,并形成64维特征向量。通过按各个关系进行构图得到多关系图,其中这些关系:1)对同一个用户发表的所有评论进行构图,2)任何商品的所有相似评分的评论进行构图,3)同两个月内任一商品下的所有评论构图。
步骤2、对各关系子图下的目标节点进行图内、图间邻居节点消息传递并聚合,图内、图间消息传递聚合函数如公式(1)-(6)所示。
步骤3、经过图内、图间消息聚合后的目标节点,其特征向量再通过对比监督学习进行约束,如公式(7)-(8)所示,其中τ为超参数,实验得出τ为0.1时效果较好。
步骤4、对经过对比监督学习的目标节点特征向量输入两层神经网络进行评论检测分类,将二元交叉熵损失函数与对比监督学习约束函数共同构建损失函数,进行模型训练。模型总的损失函数如下:
其中,‖Θ‖2为模型里所有参数的L2范式。λ1、λ2经实验得出取值为0.5时,效果较好。
图3为实验效果测试图,选取指标Recall(召回率)以及AUC(Area Under Curve)两个常用的深度学习评价指标。Recall为所有被正确预测为正的样例占所有实际为正的样例的比重。一般来说,AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积,AUC的取值范围在0.5和1之间。AUC越接近1.0,检测方法真实性越高,应用价值越高。因此,选用这两种指标来评判本发明的实验效果较为合适。如图3所示,我们将Amazon真实数据集处理输入模型,将所采集到的数据集按70%训练集、10%验证集、20%测试集进行分类训练。在30个测试epochs上,分别取得87%以上的召回率以及90%以上的AUC效果。实验结果表明,本发明在检测虚假评论具有很高应用价值。

Claims (7)

1.一种基于半监督图神经网络的水军虚假评论检测算法,其特征在于,包括以下步骤:
1)收集获取网络平台真实的评论数据集,将这些数据进行预处理,得到Embedding数据;
2)将每个评论数据当作每个节点进行多关系图构建;
3)在构建好的多关系图中进行目标节点图内、图间消息聚合,聚合基于注意力的邻居消息的目标节点特征向量;步骤3)中,使用图内、图间消息聚合函数实现目标节点图内、图间消息聚合,具体为:将注意力机制引入图内、图间消息聚合函数中;
图内消息聚合函数为:
式中,对于任意目标节点v,其具有特征向量v'为v的邻居节点,其具有特征向量V';/>代表多关系图下子关系r的可训练特定参数矩阵,并且/> 是邻居节点v'的在图神经网络l-1层以及子关系图r下的特征向量表示,/> 是目标节点v与其所有的邻居节点v'所构成的边的集合;/>表示目标节点v聚合了图神经网络l-1层以及子关系图r下的所有邻居节点的信息,形成了目标节点v在图神经网络l层以及子关系图r下的特征向量表示,/> 是注意力系数;
是目标节点v的在图神经网络l-1层以及子关系图r下的特征向量表示;将目标节点特征向量/>与其邻居节点特征向量/>拼接/>符号||表示向量横向拼接;并计算各邻居节点聚合消息的注意力系数/>以便后续各邻居节点按注意力系数权重进行消息聚合;其中,/>是注意力系数,由如下公式推导:
式中,是可训练参数向量;*代表内积;/>为/>与/>的内积结果;
图间消息聚合函数为:
式中,Wv代表可训练特定参数矩阵,并且 是邻居节点v'的在图神经网络l-1层下的特征向量表示,/> 是注意力系数;σ表示激活函数ReLU;/>表示聚合运算;
注意力系数的获取公式为:
式中,是可训练参数向量,/>表示/>与/>的内积结果,|R|代表多关系图中的子关系图个数,*代表内积;
4)将聚合消息后的目标节点特征向量进行对比监督学习模块约束,获得对比监督学习的目标节点特征向量;使得同类节点在高维空间上的特征向量更加靠近、异类节点在高维空间上的特征向量更加拉开;
5)使用两层神经网络对经过对比监督学习后的目标节点特征向量进行分类预测。
2.根据权利要求1所述的基于半监督图神经网络的水军虚假评论检测算法,其特征在于,步骤1)中,收集数据以及预处理具体为:收集网站公开的数据集,包括评论者ID、评论文本、评论时间、评论对象、评分、是否是虚假评论数据;随后,将数据进行清洗、数据变换、缺失值处理、数据归一化、向量Embedding嵌入。
3.根据权利要求1所述的基于半监督图神经网络的水军虚假评论检测算法,其特征在于,步骤2)中,所述多关系图构建为:将目标节点按三种关系构图,包括,对同一个用户发表的所有评论进行构图;任何商品的所有相似评分的评论进行构图;同两个月内任一商品下的所有评论构图。
4.根据权利要求1所述的基于半监督图神经网络的水军虚假评论检测算法,其特征在于,步骤4)中,对比监督学习模块约束执行的具体操作为:将图内、图间消息聚合后的目标节点中,随机获取正采样节点以及负采样节点,将这些节点特征向量通过对比监督学习约束损失函数进行约束,使得同类节点的特征向量在高维空间上更加靠近、异类节点的特征向量在高维空间上更加拉开。
5.根据权利要求4所述的基于半监督图神经网络的水军虚假评论检测算法,其特征在于,对比监督学习约束损失函数为:
式中,N表示随机获取的正采样节点数,表示待分类节点数,exp()表示以自然常数e为底的指数函数,vi表示待分类节点,vj表示随机获取的负采样节点,vk表示随机获取的正采样节点,τ表示超参数,/>vi表示节点vi的特征向量,vj表示节点vj的特征向量。
6.根据权利要求1所述的基于半监督图神经网络的水军虚假评论检测算法,其特征在于,步骤5)中,两层神经网络分类检测具体为:对经过对比监督学习的目标节点特征向量输入两层神经网络,构建二元交叉熵损失函数进行评论检测分类,公式如下:
式中,hv表示待分类目标节点v的特征向量,yv为待分类目标节点v的标签向量,V表示待分类目标节点的集合,σ表示激活函数ReLU。
7.根据权利要求1所述的基于半监督图神经网络的水军虚假评论检测算法,其特征在于,模型总的损失函数如下:
其中,||Θ||2为模型里所有参数的L2范式;λ1、λ2为系数;分别为二元交叉熵损失函数以及对比监督学习约束损失函数;我们将网络平台真实的评论数据集进行处理后输入模型,将输入模型的数据集按70%训练集、10%验证集、20%测试集进行分类训练;将训练集节点组合成batch用于输入到模型中进行训练,将验证集中的数据也组合成batch用于输入到模型中进行验证,将测试集中的数据一个一个输入到训练好的模型中进行测试。
CN202310735240.5A 2023-06-20 2023-06-20 一种基于半监督图神经网络的水军虚假评论检测算法 Active CN116737934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310735240.5A CN116737934B (zh) 2023-06-20 2023-06-20 一种基于半监督图神经网络的水军虚假评论检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310735240.5A CN116737934B (zh) 2023-06-20 2023-06-20 一种基于半监督图神经网络的水军虚假评论检测算法

Publications (2)

Publication Number Publication Date
CN116737934A CN116737934A (zh) 2023-09-12
CN116737934B true CN116737934B (zh) 2024-03-22

Family

ID=87904242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310735240.5A Active CN116737934B (zh) 2023-06-20 2023-06-20 一种基于半监督图神经网络的水军虚假评论检测算法

Country Status (1)

Country Link
CN (1) CN116737934B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580341A (zh) * 2019-09-19 2019-12-17 山东科技大学 一种基于半监督学习模型的虚假评论检测方法及系统
CN113268782A (zh) * 2021-04-23 2021-08-17 中国电子科技集团公司电子科学研究院 一种基于图神经网络的机器账号识别及伪装对抗方法
CN113343123A (zh) * 2021-06-21 2021-09-03 中国科学技术大学 一种生成对抗多关系图网络的训练方法和检测方法
CN114723522A (zh) * 2022-03-31 2022-07-08 合肥工业大学 一种面向评论文本的图神经网络推荐方法
CN114742564A (zh) * 2022-04-27 2022-07-12 大连理工大学 一种融合复杂关系的虚假评论者群体检测方法
CN115438274A (zh) * 2022-07-28 2022-12-06 西北工业大学 基于异质图卷积网络的虚假新闻识别方法
CN116108917A (zh) * 2023-02-21 2023-05-12 思腾合力(天津)科技有限公司 一种无标记样本增强的半监督图神经网络方法
CN116166806A (zh) * 2023-03-16 2023-05-26 四川大学 一种基于图注意力神经网络的虚假影评检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580341A (zh) * 2019-09-19 2019-12-17 山东科技大学 一种基于半监督学习模型的虚假评论检测方法及系统
CN113268782A (zh) * 2021-04-23 2021-08-17 中国电子科技集团公司电子科学研究院 一种基于图神经网络的机器账号识别及伪装对抗方法
CN113343123A (zh) * 2021-06-21 2021-09-03 中国科学技术大学 一种生成对抗多关系图网络的训练方法和检测方法
CN114723522A (zh) * 2022-03-31 2022-07-08 合肥工业大学 一种面向评论文本的图神经网络推荐方法
CN114742564A (zh) * 2022-04-27 2022-07-12 大连理工大学 一种融合复杂关系的虚假评论者群体检测方法
CN115438274A (zh) * 2022-07-28 2022-12-06 西北工业大学 基于异质图卷积网络的虚假新闻识别方法
CN116108917A (zh) * 2023-02-21 2023-05-12 思腾合力(天津)科技有限公司 一种无标记样本增强的半监督图神经网络方法
CN116166806A (zh) * 2023-03-16 2023-05-26 四川大学 一种基于图注意力神经网络的虚假影评检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters;Yingtong Dou等;《arxiv》;20200819;第1-10页 *
基于双卷积神经网络的虚假评论识别;杨超;李天卓;谈森鹏;杨新凯;;计算机与数字工程;20200820(第08期);全文 *

Also Published As

Publication number Publication date
CN116737934A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Wu et al. Net: Degree-specific graph neural networks for node and graph classification
Islam et al. Cyberbullying detection on social networks using machine learning approaches
Kim et al. Fusions of GA and SVM for anomaly detection in intrusion detection system
CN112231562A (zh) 一种网络谣言识别方法及系统
Zhao et al. Inductive representation learning via CNN for partially-unseen attributed networks
Sokhangoee et al. A novel approach for spam detection based on association rule mining and genetic algorithm
Jacob et al. Fuzzy artificial bee colony‐based CNN‐LSTM and semantic feature for fake product review classification
Vu et al. Rumor detection by propagation embedding based on graph convolutional network
Wang et al. User-based network embedding for opinion spammer detection
Zhao et al. Porn2Vec: A robust framework for detecting pornographic websites based on contrastive learning
Feng et al. A phishing webpage detection method based on stacked autoencoder and correlation coefficients
CN111144453A (zh) 构建多模型融合计算模型的方法及设备、网站数据识别方法及设备
Kothamasu et al. Sentiment analysis on twitter data based on spider monkey optimization and deep learning for future prediction of the brands
Zeng et al. A novel semi-supervised self-training method based on resampling for Twitter fake account identification
Surekha et al. Digital misinformation and fake news detection using WoT integration with Asian social networks fusion based feature extraction with text and image classification by machine learning architectures
Yuan et al. Research of deceptive review detection based on target product identification and metapath feature weight calculation
CN117172875A (zh) 欺诈检测方法、装置、设备及存储介质
CN116737934B (zh) 一种基于半监督图神经网络的水军虚假评论检测算法
CN114119191A (zh) 风控方法、逾期预测方法、模型训练方法及相关设备
Wu et al. Mitigating label noise on graph via topological sample selection
CN116776889A (zh) 一种基于图卷积网络和外部知识嵌入的粤语谣言检测方法
Saranya Shree et al. Prediction of fake Instagram profiles using machine learning
CN113537272B (zh) 基于深度学习的半监督社交网络异常账号检测方法
İş et al. A Profile Analysis of User Interaction in Social Media Using Deep Learning.
CN114529762A (zh) 基于ds证据理论融合的社交网络异常用户检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant