网络交易拉圾评论智识别研究.docVIP

网络交易拉圾评论智能识别研究 　　〔摘 要〕定义垃圾评论边界，利用智能算法有效识别垃圾评论。对垃圾评论进行内部细分，构建评价指标体系，并提出一种改良决策树方法对垃圾评论进行智能评估，并提供可读性规则。基于Matlab语言实现，通过实证研究，验证所构建的垃圾评论识别模型能够达到较高预测精度。提供了一种高效的多在线评论多分类智能识别方法，为垃圾评论的分类监管治理提供技术支持。 中国论文网 /4/viewhtm　　〔关键词〕垃圾评论；数据挖掘；决策树；神经网络 　　DOI：10.3969/j.issn.1008-0821.2016.04.011 　　〔中图分类号〕G206.2 〔文献标识码〕A 〔文章编号〕1008-0821（2016）04-0057-05 　　〔Abstract〕The paper defined the boundary of review spam，used intelligent algorithms to effectively detect review spam.The internal subdivision of review spam，evaluation index and an improved decision tree method for intelligent evaluation of review spam with readable rules are proposed.The empirical research based on Matlab showed the model can achieve higher prediction accuracy.The paper provided technical support for the review spam classification regulatory governance through proposing an efficient method for intelligent multiple classification of online reviews. 　　〔Key words〕review spam；data mining；decision tree；neural network 　　通过互联网进行商品交易已经成为最近十年以来迅猛发展的商业模式，深刻而迅速的改变了传统商业模式。消费者可以通过查看以往交易购买者对所购商品和服务的评价来判断卖家商品和服务的好坏，是互联网交易不同于传统商业模式的优势之一。成交评论是后继消费者对拟购商品进行判断的重要依据之一，也是商家有针对性的改进服务，改进产品促进销售的根据，因此客观真实有效的交易评价是促进互联网商业形态健康发展具有重要意义。 　　另一方面，各种交易评论由评论者主观输入，由于各种原因出现了多种无效，无用，甚至虚假的垃圾评论，对互联网经济的发展产生了负面影响。同时，由于交易评论对后继交易判断的重要性，也出现了很多故意进行虚假评论以促进或打压特定卖家的行为，对互联网经济的发展的负面影响更为突出。因此，如何在海量的评论中识别并筛除垃圾评论，成为近期研究的热门课题之一[1]。 　　本文以海量评论信息中垃圾评论的有效智能识别为目标，首先发展了以往相关研究中对垃圾评论的认识，明确了垃圾评论的种类和判断标准，然后构造一种神经网络与决策树相结合的智能算法，发挥两种算法的优势达到高效准确识别垃圾评论的目的。最后，通过实证分析验证了方法的有效性和准确性。 　　1 相关研究 　　近年来，针对垃圾评论识别的研究在国内外逐步开展，Jundal在2007年最早进行了相关研究，将垃圾评论划分为虚假评论、无关评论和非评论，并运用Logistic回归模型对图书、音乐等其他制造类产品垃圾评论进行了识别[2]。Ott等以旅馆评论为研究对象，通过评论内容和语言特征，从心理学、文本语料等方面分析垃圾评论的特征，用SVM方法对旅店类垃圾评论进行了识别研究[3]。Mukherjee等在2011年使用频繁挖掘模式寻找被选群体，再通过计算垃圾信息值，使用SVM模型识别群体垃圾评论[4]。随后Mukherjee等在2013年基于内容相似度、最大评论数、评论重复度等评论人行为特征通过聚类分析对垃圾评论进行了识别[5]。国内方面，何海江对利用Logistic回归模型和利用SVM支持向量机的垃圾评论识别方法的性能进行了比较[6]。陈燕方通过对文本语料进行低可信度判断，提出了一种基于评论产品属性的情感倾向评估模型[7]。李霄等使用支持向量机模型对垃圾评论进行了识别，并通过与Logistic模型对比证明了机器学习算法的优势。目前大多数研究仅对评论进行了垃圾评论与非垃圾评论的二分类[8]。孟美任等