紧扣主题：生成特定情境下的虚假餐厅评论

自动生成的虚假餐厅评论对在线评论系统构成威胁。近期研究表明，用户在真实餐厅评论中难以察觉机器生成的虚假评论。该工作所用方法（char-LSTM）存在一个缺陷：难以保持情境一致性，即当其为特定目标实体生成评论时，所得评论可能包含与目标无关的词句，从而增加了被检测出的可能性。在本工作中，我们提出并评估了一种基于神经机器翻译（NMT）的更复杂技术，借此可生成紧扣主题的评论。我们利用 Amazon Mechanical Turk 上的英语母语者测试了该技术的多种变体。我们证明，最佳变体生成的评论具有近乎最优的不可检测性（类平均 F 值 47%）。我们针对持怀疑态度的用户开展了用户研究，并表明我们的方法以统计显著性（水平 {\alpha} = 1%，第 4.3 节）比当前最优方法更频繁地逃避检测（平均逃避率 3.2/4 对比 1.5/4）。我们开发了极为有效的检测工具，在分类这些评论时达到 97% 的平均 F 值。尽管虚假评论在欺骗人类方面非常有效，但有效的自动检测仍可行。