基于图卷积网络的虚假评论检测算法研究.pdfVIP

目录

摘要I

ABSTRACTII

第一章绪论1

1.1研究背景和意义1

1.2国内外研究现状2

1.3本文的主要研究内容4

1.4组织架构4

第二章相关理论与技术7

2.1虚假评论检测的相关理论7

2.2虚假评论检测的相关技术8

2.2.1基于特征的虚假评论检测算法8

2.2.2基于表示学习的虚假评论检测算法10

2.2.3数据不平衡学习17

2.2.4数据增强18

2.3本章小结19

第三章基于代价敏感图卷积网络的虚假评论检测21

3.1引言21

3.2代价敏感图卷积网络模型21

3.2.1图卷积网络28

3.2.2代价敏感函数28

3.3数据收集与预处理21

3.3.1数据集收集与分析21

3.3.2评论数据预处理24

3.3.3构建文本特征26

3.3.4共现矩阵27

3.4实验与结果分析29

3.4.1评价指标29

3.4.2对比实验30

3.5本章小结31

第四章基于数据增强的图卷积网络的虚假评论检测33

4.1引言33

4.2EDA-GCN模型33

4.2.1情感分析34

4.2.2EDA数据增强35

4.2.3EDA数据增强的参数设置35

4.3实验与结果分析36

4.4本章小结38

第五章虚假评论检测系统39

5.1系统需求分析39

5.2系统架构设计与实现40

5.2.1系统架构设计40

5.2.2系统功能模块实现42

5.3系统测试43

5.4本章小结44

第六章总结与展望45

6.1总结45

6.2展望46

参考文献47

在学期间取得的科研成果51

致谢53

摘要

近年来，互联网发展迅速，使用电商平台进行购物备受青睐。在进行购物过程

中，消费者往往会依赖他人的评论来获取商品信息、评估产品质量和服务。然而，

随着电商平台的普及和影响力的增加，一些商家或者水军(专门发布虚假评论的人员)

为了提高销量或者影响市场舆论，会故意发布大量的虚假评论，从而扰乱市场秩序。

准确检测虚假评论是一项有价值的研究。在虚假评论检测中，仍然存在类别不平衡

和数据量不足的问题。针对这些问题，本文对虚假评论检测展开研究，主要工作如

下：

(1)针对虚假评论检测中存在的数据不平衡问题，提出了基于代价敏感图卷积网

络模型。在虚假评论检测任务中，存在虚假评论数量较少、真实评论数量较多的不

平衡情况。这种不平衡性会导致模型倾向于更多地学习真实评论的特征，而忽略虚

假评论，降低了模型的准确性。为了解决这一问题，本文引入了代价敏感损失函数，

通过给不同类别的样本分配不同的权重，使模型更加关注少数类别，从而提高了对

虚假评论的检测准确性和可靠性。同时，结合图卷积神经网络的优势，能够充分利

用评论文本之间的关系，从而提高了模型的泛化能力和性能。

(2)针对虚假评论检测中存在的数据量不足问题，提出了数据增强的改进方法。

考虑到虚假评论中包含大量情感信息，将情感分析模块与增强数据增强(EDA)技术相

结合。结合情感分析和EDA技术，能够生成更加多样化、真实性更高的训练数据，

有效地增加了数据集的规模。

(3)设计并实现了虚假评论检测系统，该系统包含本文提出的代价敏感图卷积网

络模型，实现数据集预处理、评论的鉴别、结果展示的功能。

本文对虚假评论检测任务进行研究，提出应对虚假评论中的数据不平衡问题以及

数据量不足问题的解决方法，在此基础上，将模型封装为虚假评论检测系统，以更

直观的方式展现模型的效果。

关键词：虚假评论检测；图卷积网络；代价敏感学习；数据增强

I

ABSTRACT

Inrecentyears,e-commercehasdevelopedrapidly,ande-commerceplatformshave

becomeoneofthem