使用生成对抗网络检测欺骗性评论
密码学与安全
2018-05-29 v1 人工智能
计算与语言
信息检索
机器学习
摘要
过去几年中，消费者评论网站已成为欺骗性观点垃圾信息的主要目标，其中虚构意见或评论被蓄意写得看似真实。现有检测欺骗性评论的工作多聚焦于基于意见句法与词汇模式构建有监督分类器。随着神经网络在各种分类应用中的成功使用，本文提出FakeGAN系统，首次扩充并采用生成对抗网络（GANs）用于文本分类任务，特别是检测欺骗性评论。与具有单一生成器与判别器模型的标准GAN不同，FakeGAN使用两个判别器模型与一个生成模型。生成器建模为强化学习（RL）中的随机策略智能体，判别器使用蒙特卡洛搜索算法估计并将中间动作价值作为RL奖励传给生成器。为生成器提供两个判别器模型，可通过从真实与欺骗性评论两种分布中学习避免模式崩溃问题。实际上，我们的实验表明使用两个判别器为FakeGAN提供了高稳定性，这是GAN架构的已知问题。尽管FakeGAN构建于以较低准确率著称的半监督分类器之上，我们在TripAdvisor酒店评论数据集上的评估结果显示其准确率与采用有监督机器学习的当前最优方法相当。这些结果表明GAN可有效用于文本分类任务。具体而言，FakeGAN能有效地检测欺骗性评论。
引用
@article{arxiv.1805.10364,
title = {Detecting Deceptive Reviews using Generative Adversarial Networks},
author = {Hojjat Aghakhani and Aravind Machiry and Shirin Nilizadeh and Christopher Kruegel and Giovanni Vigna},
journal= {arXiv preprint arXiv:1805.10364},
year = {2018}
}
备注
accepted at 1st Deep Learning and Security Workshop co-located with the 39th IEEE Symposium on Security and Privacy