从用户和产品层面信息学习评论表示用于垃圾检测
计算与语言
2019-09-11 v1 人工智能
摘要
观点垃圾已成为社交媒体中的一个普遍问题，受雇的垃圾信息发布者撰写欺骗性评论以推广或贬低产品，从而误导消费者以获取利润或名声。现有工作主要集中在手动设计离散的文本或行为特征上，这些特征无法捕捉评论的复杂语义。尽管最近的工作应用深度学习方法来学习评论级别的语义特征，但它们的模型忽略了用户层面和产品层面信息对学习评论语义的影响，以及固有的用户-评论-产品关系信息。在本文中，我们提出了一种分层融合注意力网络，以自动从用户和产品层面学习评论的语义。具体而言，我们设计了一个多重注意力单元来提取与用户（产品）相关的评论信息。然后，我们使用正交分解和融合注意力从评论信息中学习用户、评论和产品的表示。最后，我们将评论视为用户与产品实体之间的关系，并应用 TransH 将这种关系联合编码到评论表示中。实验结果在四个真实世界数据集上比最先进的性能取得了超过 10% 的绝对精度提升，表明了该模型的有效性和通用性。
引用
@article{arxiv.1909.04455,
title = {Learning review representations from user and product level information for spam detection},
author = {Chunyuan Yuan and Wei Zhou and Qianwen Ma and Shangwen Lv and Jizhong Han and Songlin Hu},
journal= {arXiv preprint arXiv:1909.04455},
year = {2019}
}
备注
6 pages. Accepted as IEEE ICDM 2019, Short Paper