基于 LLM 的 IoT 用户评论分析：跟踪与排名安全与隐私关注点

了解 IoT 用户的安全与隐私（S&P）关注点对开发者和用户都有所益处。为洞察用户视角，我们检查 Amazon IoT 评论——这是最大的 IoT 市场之一。本工作提出一种前沿方法，用于识别和分类用户表达 S&P 关切的评论。我们通过微调 GPT-3.5-Turbo 开发了一个自动化管道，构建两个模型：分类-理由-分类器 和 主题映射器。凭借动态 few-shot 提示和模型的大规模上下文大小，我们的管道在精度和召回率上超过 97%，显著优于基于关键词和传统机器学习方法。在覆盖数万条关于健身追踪器、智能音箱和摄像头的评论（跨多年）的应用中，我们发现平均 5% 包含 S&P 关切，其中安全摄像头的患病率最高达 10%。我们的 method 检测到的 S&P 相关评论数量显著高于 prior works：健身追踪器多出 15 倍，智能音箱多出 29%，摄像头多出 70%。我们的纵向分析揭示，包括监视和数据控制在内的关切跨多年持续存在，表明行业进展有限。我们展示了在所有设备类型中，用户始终要求对所收集和共享的数据进行更精确的控制。我们发现了关于多用户和多设备交互的挑战，识别出两个此前未报道的主题：帐户分离和数据访问控制不足。这一发现涵盖从广泛持久趋势到具体客户流失实例，为开发者提供了可行的见解，以提高用户满意度和信任。