張文宇，岳 昆，張彬彬

(云南大學 信息學院，昆明 650500)

1 引 言

在亞馬遜中國、京東商城和淘寶網(wǎng)等電子商務(wù)網(wǎng)站中，消費者可以通過評論與評分表達他們對商品的使用感受和對商家服務(wù)的滿意度.不同于傳統(tǒng)實體購物，商品評論成為了消費者和商家了解產(chǎn)品質(zhì)量和服務(wù)最為重要的信息來源.通常，與僅有小部分正面評論的產(chǎn)品相比，擁有絕大部分正面評論的產(chǎn)品更受消費者歡迎；如果一件產(chǎn)品包含正面評價較多，則可大大增加消費者的購買欲望[1]，消費者在線評論的價值已得到消費者和在線零售商的公認[2].部分商家為提高自身信譽或貶低競爭對手開始通過雇傭評論者甚至親自去充當評論者書寫虛假評論誤導(dǎo)潛在消費者，這些評論者通常給予正面評論夸大商品的品質(zhì)，通過負面評論詆毀商家的信譽.互聯(lián)網(wǎng)中這類發(fā)表不真實、具有欺騙性的評論者被稱為虛假評論者[3]，虛假評論者的存在，干擾了商品描述的真實性及推薦系統(tǒng)的準確性，也損害了電子商務(wù)平臺的健康運行與良性發(fā)展.因此，如何對評論者信息數(shù)據(jù)進行分析、進而識別出虛假評論者，有重要現(xiàn)實意義.

不同于真實評論者，虛假評論者的動機主要是推銷和詆毀，故虛假評論者本身的行為特征和真實評論者有較大區(qū)別.現(xiàn)有虛假評論者識別方法主要從消費者某種單一行為入手進行分析，未從不同的視角對評論者的行為進行觀察，只能發(fā)現(xiàn)評論者的單一作弊行為而遺漏了其它潛在的作弊行為.表1給出了一個真實的虛假評論者示例，其作弊行為不僅體現(xiàn)在給予所評論商品全五星好評，而且體現(xiàn)在評論都集中在某一天、評論內(nèi)容完全相同、評論目標集中在同一家商店的書籍等.當發(fā)現(xiàn)評論者的多種異常行為時，我們更加容易判斷其身份是虛假評論者，因此，本文在多種行為特征下對評論者身份進行分析.一方面，評論者的每一種行為特征對評論者身份的影響都具有不確定性，如何在不同的觀測空間中準確衡量這種不確定性，是提高虛假評論者識別率的前提.另一方面，如何有效綜合考慮影響評論者身份的多個因素，也是亟待解決的問題.因此，本文考慮衡量各層面因素的不確定性及這些因素對虛假評論者識別的綜合影響，在以上兩個角度識別虛假評論者.

表1 一個真實的虛假評論者

為了提高商品信譽度或宣傳競爭對手商品的缺點，虛假評論者往往會做出復(fù)制觀點、重復(fù)評論、評分極端、評論交易日期集中、夸大商品質(zhì)量等舉措，意圖讓好評或差評成為目標商家商品的主流輿論，進而誤導(dǎo)消費者判斷.真實評論者會根據(jù)需求購買自己所需商品，不像虛假評論者那樣反復(fù)對同一網(wǎng)店的固定產(chǎn)品進行評論評分，購買行為呈現(xiàn)出隨機性.同時，虛假評論者賬戶的職能在于完成商家給定的任務(wù)，和其他評論者之間往往沒有交流行為，也沒有正常的社交網(wǎng)絡(luò).綜上，在現(xiàn)有電商體系下，我們對此兩類評論者的行為動機進行分析，認為評論者自身的行為不僅表現(xiàn)在其評價行為，而且表現(xiàn)在對商品的關(guān)注行為和與其他評論者之間的交流行為，通過這三類不同特征來綜合描述評論者所呈現(xiàn)的行為.

證據(jù)理論(又稱D-S證據(jù)理論)是一種由Dempster提出、Shafer進一步完善的不精確推理理論，在解決不確定信息的表示和融合方面有其獨特優(yōu)勢[4]，被廣泛應(yīng)用于數(shù)據(jù)融合、故障診斷及風險評估等領(lǐng)域[5-9].證據(jù)理論首先將描述系統(tǒng)的不確定信息轉(zhuǎn)化為證據(jù)，然后利用Dempster組合規(guī)則進行證據(jù)融合.本文基于D-S證據(jù)理論的基本思想，無需假設(shè)各影響因素不確定性和完備性，以評論者的評價行為、評論者對商品的關(guān)注行為、評論者的交流行為特征作為對虛假評論者檢測的“證據(jù)”，構(gòu)建虛假評論者識別框架，討論基于以上三類特征的虛假評論者發(fā)現(xiàn)方法.

支持向量機(SVM，Support Vector Machine)是機器學習領(lǐng)域內(nèi)的有監(jiān)督學習模型，通常用來進行模式識別、分類及回歸分析[10-12].SVM分類本質(zhì)是尋找一個軟間隔超平面，通過正則化求解，使樣本點到超平面的距離之和最大.當樣本集線性不可分時，通過選擇核函數(shù)將樣本映射到核函數(shù)隱式定義的特征空間.本文提出通過多個維度對評論者評價行為、評論者對商品的關(guān)注行為、評論者交流行為分別進行衡量，基于三種行為特征建立不同的SVM模型，利用SVM處理小樣本及多維數(shù)據(jù)的優(yōu)勢對單特征模式下評論者的作弊行為進行探討.進一步，本文參考Platt引入sigmoid函數(shù)擬合后驗概率值[13]，將SVM的無閾值輸出轉(zhuǎn)化為關(guān)于真實評論者和虛假評論者的后驗概率輸出，為證據(jù)融合奠定基礎(chǔ).

我們在單特征SVM模型的基礎(chǔ)上定義了相應(yīng)的概率賦值函數(shù)，利用證據(jù)組合規(guī)則得到不同證據(jù)對最終評論者身份判定的聯(lián)合影響.一方面，SVM的錯誤率表示不能確定將目標評論者樣本準確進行分類的概率，與證據(jù)理論中的不確定信息相吻合，可以將其視為融合決策中的不確定信息.另一方面，我們通過評論者后驗概率輸出結(jié)合SVM的準確率得到最終關(guān)于真實評論者和虛假評論者的信度值.

最后，建立在亞馬遜中國電商用戶數(shù)據(jù)集之上的實驗結(jié)果表明，本文所提出的方法準確有效.

2 相關(guān)工作

評論圖模型構(gòu)建和虛假評論者檢測方面， Wang等[14]分析了評論者、 評論以及被評商店三者之間的交互關(guān)系， 通過構(gòu)建包含這三種因素的評論圖對虛假評論者進行挖掘和檢測. Liang等[15]通過構(gòu)造多邊圖來迭代計算評論者的不真實度檢測虛假評論者. Lu等[16]通過構(gòu)建包含用戶特征及評論特征的評論因素圖并通過信息傳遞算法同時檢測虛假評論和虛假評論者. Rayana等[17]通過構(gòu)建用戶、 商品、 評論間的關(guān)系圖來發(fā)現(xiàn)Yelp網(wǎng)站上存在的虛假評論人和虛假評論. 以上方法只考慮了評論圖中各節(jié)點之間的制約關(guān)系， 沒有考慮評論圖之外的因素， 并且評論圖的構(gòu)建局限于某一特定商品或者商家， 未能從評論者的所有評論購買信息出發(fā)去發(fā)現(xiàn)評論者作弊行為.

基于異常行為的虛假評論者檢測方面，Lim[3]等基于用戶對單一商品多次相近評分、用戶對于單獨品牌上的產(chǎn)品群給予過高或過低評分、用戶在某些產(chǎn)品上的評分跟其他用戶評分偏離很大、用戶對剛上架的商品進行評分的等四種評分行為提出四種檢測模型.Mukherjee等[18]提出構(gòu)建隱變量貝葉斯模型進行虛假評論者檢測，將用戶評論特征定義為隱變量，借助EM算法進行參數(shù)學習并利用吉布斯采樣進行推理.Xue等[19]通過構(gòu)建信任感知模型得出每個用戶的可信度打分來識別虛假評論者.Ye等[20]通過監(jiān)控不同時間片下用戶的突發(fā)行為和異常行為來發(fā)現(xiàn)用戶的作弊行為.Fei[21]等通過構(gòu)建隱馬爾可夫模型發(fā)現(xiàn)用戶的評論、打分的異常變化.以上基于異常行為的虛假評論者檢測方法，從單一的角度去檢測虛假評論者，但近年來虛假評論者作弊方式呈現(xiàn)出多樣化趨勢并且隱藏性越來越高，當發(fā)現(xiàn)評論者不存在某種作弊行為時，并不代表該評論者不采用其他作弊手段.

基于集體作弊的虛假評論者檢測研究方面，Xie等[22]通過檢測不同時間窗口下商品評論數(shù)量變化、評分變化以及只發(fā)一條評論的評論者所占比例變化來發(fā)現(xiàn)集體作弊的現(xiàn)象.Choo等[23]從作弊者之間非正常的相互促進聯(lián)系行為和情感分析入手挖掘作弊聯(lián)盟.Yang等[24]借助作者主題模型得到每一個用戶的興趣概述，通過構(gòu)造用戶興趣向量、計算余弦相似度來檢測作弊團體.Ye等[25]提出一種無監(jiān)督可度量的方法來檢測網(wǎng)絡(luò)中的集體作弊團體.以上方法可以發(fā)現(xiàn)可疑的集體作弊團體，但是當一個評論者團體很可疑時，并不能肯定其中的每一個評論者都是作弊者，進而很難判斷其發(fā)表的評論時是否為虛假評論.

這些虛假評論者檢測方法為本文的研究提供了參考，但針對多特征行為模式下虛假評論者的檢測還需進一步探索.

3 評論者相關(guān)行為定義

3.1 評論者屬性

為了描述評論者評價行為、評論者對商品的關(guān)注行為、評論者交流行為這三類用戶特征，本文采用多個維度刻畫每一個特征.對于某個評論者，評論者屬性如表2所示.

表2 評論者屬性表示

3.2 評論者評價行為特征

虛假評論者往往會批量復(fù)制粘貼正常用戶的好評或差評對目標產(chǎn)品進行評價，打分呈現(xiàn)極端性，集中在1星和5星，且評論往往集中在某一天.因此，本文從以下5個維度描述虛假評論者的評價行為特征：評論者打分的極端性、評論內(nèi)容的相似性、評價的早期性、評論的集中性和打分的偏差性.

1)評論者打分的極端性.打分往往能反映出用戶對商品的偏好和內(nèi)心對商品真實評價，當一個用戶總是給出最高分五星或最低分一星打分時，那么這個用戶的偏好存在問題，其身份就很可疑.用極端打分數(shù)量占評論數(shù)量的比例來描述打分的極端性：

(1)

2)評價內(nèi)容的相似性.虛假評論者往往會選擇復(fù)制抄襲先前用戶的好評并將其應(yīng)用到自己的多數(shù)評論中，當一個評論者的多數(shù)評論內(nèi)容相似，那么很可能是虛假評論者在批量復(fù)制評論.利用評論內(nèi)容余弦相似度的最大值描述評論內(nèi)容的相似性[26]：

S2=max{cosin(ri,rj),i≠j)

(2)

3)評價的早期性.當一個用戶往往在商品剛上架后不久發(fā)表評論，為商品后來銷售起到了促進作用，那么用戶身份就很可疑.用商品上架后一個月內(nèi)發(fā)表評論占評論者所有評論的比例描述評價的早期性：

(3)

4)評論的集中性.不同于真實評論者在隨機時間內(nèi)進行評論，虛假評論者往往在某一天內(nèi)完成虛假評論的任務(wù).用單日內(nèi)發(fā)表的最多評論占總評論的比例描述評論的集中性：

(4)

5)打分的偏差性.虛假評論者對產(chǎn)品的描述往往和產(chǎn)品的真實質(zhì)量不符，對商品的打分和商品所得的平均分有明顯出入.電子商務(wù)平臺中一般最高評分為五星，最低評分為一星，用商品打分和商品得分之差的平均偏差比例描述打分的偏差性：

(5)

3.3 評論者對商品的關(guān)注特征

和正常評論者相比，虛假評論者評價的商品類別、品牌數(shù)量和商家局限在小范圍內(nèi)，平均單條評論涉及的商品類別數(shù)量、商家數(shù)量、品牌數(shù)量可以反映評論者對商品的特殊關(guān)注特征和虛假評論者的任務(wù)目標范圍.用評論所涉及商品類別數(shù)量占所有評論的比例描述商品類別涉及率，評論所涉及商家數(shù)量占所有評論的比例描述商家涉及率，用評論所涉及品牌數(shù)量占所有評論的比例描述品牌涉及率：

(6)

(7)

(8)

3.4 評論者的交流行為

虛假評論者往往得不到其他用戶的認可，也不會與正常評論者有交流，沒有正常的社交網(wǎng)絡(luò)，對于其他用戶的提問他們不會提供反饋咨詢，也不會提供有價值的信息或有幫助的投票.本文采用用戶有用投票比例、用戶平均每條評論被回應(yīng)數(shù)量、用戶所有評論認可度的平均值三個維度來描述該特征：

S9=vr

(9)

(10)

(11)

4 虛假評論者識別模型的構(gòu)建

4.1 基于D-S證據(jù)理論的虛假評論者識別框架

評論者的評價行為、評論者對商品的關(guān)注行為、評論者的交流行為從不同的側(cè)面構(gòu)成了評論者身份判斷的“證據(jù)”.給定一個有限、互斥、窮舉的假設(shè)空間Θ，稱其為識別框架(Frame of Discernment),考慮Θ的冪集，即Θ的所有子集構(gòu)成的集合，記為2Θ.如前所述，本文基于D-S證據(jù)理論，通過證據(jù)融合規(guī)則判斷評論者身份，下面首先給出相關(guān)定義.

定義1(辨識框架)將評論者身份可能的判定結(jié)果中真實評論者(T)和虛假評論者(F)構(gòu)成的集合定義為辨識框架，記為Θ={T，F(xiàn)},Θ的冪集為2Θ={? ，{T}，{F}，{T，F(xiàn)}}.

定義2(mass函數(shù))函數(shù)m：2Θ→[0,1]稱為Θ上的mass函數(shù)，若評論者的評價行為、評論者的對商品的關(guān)注行為、評論者和其他評論者交流行為相互獨立，m1為評論者評價特征的mass函數(shù)，m2為評論者對商品關(guān)注特征的mass函數(shù)，m3為用戶和其他用戶交流特征的mass函數(shù).mi(T)表示第i個mass函數(shù)中對真實評論者的支持度，mi(F)表示第個mass函數(shù)中對虛假評論者的支持度，mi(Θ)表示第i個mass函數(shù)中關(guān)于不確定的支持度.

D-S證據(jù)理論中，Dempster證據(jù)組合規(guī)則組合兩個mass函數(shù)產(chǎn)生一個新的mass函數(shù)，表示初始可能沖突的證據(jù)間的一致意見，集合的交集表達了公共證據(jù)元素.Dempster證據(jù)組合規(guī)則的基本思想在于對多源不確定證據(jù)進行融合形成最終關(guān)于辨識框架的mass函數(shù)值，證據(jù)存在沖突時，通過歸一化因子k進行可信度標準化修正.根據(jù)其基本思想，定義3給出三種特征下mass函數(shù)的合成規(guī)則.

定義3(mass函數(shù)合成規(guī)則)對于?N?Θ，評論者識別框架Θ上的3個mass函數(shù)m1、m2和m3的Dempster合成規(guī)則為：

(m1⊕m2⊕m3)(N)

(12)

其中，

k=∑N1∩N2∩N3≠φm1(N1)m2(N2)m3(N3)

=1-∑N1∩N2∩N3=φm1(N1)m2(N2)m3(N3)

1-k即∑N1∩N2∩N3=φm1(N1)m2(N2)m3(N3)，反映了有關(guān)評論者證據(jù)的沖突程度，?為證據(jù)組合算子，N1，N2，N3?2Θ.

根據(jù)定義1，辨識框架為Θ={虛假評論者，真實評論者}；根據(jù)定義2，將評論者本身呈現(xiàn)的三類特征作為證據(jù)體構(gòu)建基本概率分配函數(shù)；根據(jù)定義3，得到證據(jù)融合后的mass函數(shù).在得到證據(jù)融合后關(guān)于虛假評論者和真實評論者的信度及不確定度量mi(Θ)后，我們辨識出評論者的身份，對評論者身份的最終判定遵循以下規(guī)則：

1)具有最大信度的類是目標類；

2)目標類與其他類的信度差值必須大于閾值θ1；

3)目標類信度必須大于不確定信度指派值；

4)不確定信度指派值必須小于閾值θ2.

4.2 基于Sigmoid函數(shù)的基本概率分配

為得到不同mass函數(shù)下的基本概率分配，需要度量單特征下評論者為真實評論者和評論者為虛假評論者的可能性以及無法識別的可能性，對于來自三種不同特征空間的評論者樣本集，本文首先建立評論者單特征下三個不同的SVM檢測模型，實現(xiàn)三個基于不同特征下的決策函數(shù).對單特征下評論者檢測的準確率進行測試，利用錯誤率衡量不確定信息，進而參考Platt提出的利用sigmoid函數(shù)實現(xiàn)關(guān)于虛假評論者和真實評論者的后驗概率輸出，結(jié)合SVM的準確率去衡量樣本關(guān)于真實評論者和虛假評論者的基本概率分配.

我們將評論者評價特征量化為五維向量x1=(s1，s2，s3，s4，s5)，對商品關(guān)注行為和交流行為分別量化為三維向量x2=(s6，s7，s8)、x3=(s9,s10,s11).對于來自不同特征空間的向量樣本，我們訓(xùn)練三個行為特征下不同的SVM模型，訓(xùn)練后帶有核函數(shù)的標準的SVM無閾值輸出為：

f(x)=h(x)+b

(13)

h(x)=∑xi∈svαiyik(xi,x)

(14)

其中，αi為拉格朗日乘子，k(xi，x)為選定的核函數(shù)，sv是支持向量集.

SVM決策分類函數(shù)為：

y=sgn(f(x))=sgn(∑xi∈svαiyik(xi,x)+b)

(15)

當y=1時，判斷該評論者為真實評論者，當y=-1時，判斷該評論者為虛假評論者.

然而，f(x)和y都不是評論者后驗概率輸出，我們引入?yún)?shù)A和B，利用sigmoid-fitting方法將無閾值輸出f(x)轉(zhuǎn)化為后驗概率.待檢測評論者是真實評論者的概率為：

(16)

待檢測評論者為虛假評論者的概率為：

(17)

我們通過極大似然估計的方法計算A和B：

(18)

其中，pl=pA,B(fl)

其中，m為訓(xùn)練集中的樣本數(shù)，N+為樣本中真實評論者的數(shù)量，N-為樣本中虛假評論者的數(shù)量，yl是樣本的標簽.

對三個不同行為特征下的SVM分類器，在完成評論者樣本集的訓(xùn)練過程后，根據(jù)式(18)得到最優(yōu)參數(shù)Ai、Bi(i=1，2，3)，并基于公式(16)和公式(17)得出后驗概率pi和1-pi.因此，結(jié)合SVM的識別準確率qi對mass函數(shù)值定義為:

mi(T)=qipi

(19)

mi(F)=qi(1-pi)

(20)

mi(Θ)=1-qi

(21)

將用戶的三種行為特征作為三個證據(jù)體，根據(jù)公式(19)、(20)、(21)得出每一證據(jù)體關(guān)于真實評論者和虛假評論者的基本可信度m1(T)、m1(F)、m2(T)、m2(F)、m3(T)、m3(F)及相關(guān)不確定性m1(Θ)、m2(Θ)、m3(Θ).

4.3 基于虛假評論者識別框架下mass函數(shù)值獲取算法

針對評論者行為特征信息，基于4.1節(jié)、4.2節(jié)中的方法計算用戶特征數(shù)據(jù)對其身份的聯(lián)合影響，進行證據(jù)融合，在預(yù)處理后的評論者屬性特征值的基礎(chǔ)上得到評論者識別框架下的信度值.

算法1.

輸入：待檢測的評論者集合U及每個評論者特征向量x1，x2，x3

輸出：每一位評論者在識別框架下的mass函數(shù)值t.m(T)、t.m(F)、t.m(Θ)(t∈U)

變量：A1、A2、A3、B1、B2、B3：后驗概率輸出函數(shù)的參數(shù)值

q1、q2、q3：SVM的準確率

步驟：

begin

for eacht∈Udo

fori=1 to 3 do

根據(jù)公式(13)得到t.fi(x)；

根據(jù)公式(16)sigmoid函數(shù)輸出其屬于真實評論者的概率t.pi(T)；

t.pi(F)←1-t.pi(T);

t.mi(T)←t.pi(T)*qi;

/*結(jié)合SVM的準確率ri計算單特征下關(guān)于真實評論者的信度*/

t.mi(F)←t.pi(F)*qi;

/*計算單特征下關(guān)于虛假評論者的信度*/

t.mi(Θ)←1-qi;

/*利用SVM的錯誤率表示不確定性*/

end for

t,k←1-∑N1∩N2∩N3=φt.m1(N1)*t.m2(N2)*t.m3(N3)；

t,mr←∑N1∩N2∩N3=Tt.m1(N1)*t.m2(N2)*t.m3(N3)/t.k；

t,mF←∑N1∩N2∩N3=Ft.m1(N1)*t.m2(N2)*t.m3(N3)/t.k；

t,mθ←∑N1∩N2∩N3=θt.m1(N1)*t.m2(N2)*t.m3(N3)/t.k；

end for

return 所有t.mT、t.mF、t.mΘ

end

不難看出，算法1的執(zhí)行代價主要取決于單特征下證據(jù)支持度的獲取及證據(jù)融合.其中，單特征下證據(jù)支持度的獲取執(zhí)行一個常數(shù)次循環(huán)，證據(jù)融合依次執(zhí)行計算規(guī)范化因子及3個mass函數(shù)基于識別框架下的證據(jù)融合，若有n個評論者，算法1的時間復(fù)雜度為O(n).

5 實驗結(jié)果

為了評判虛假評論者識別方法的準確性，我們從亞馬遜官網(wǎng)共計爬取了4000個用戶的完整信息，請三位有五年以上網(wǎng)上購物經(jīng)驗的碩士作為標記人對樣本集進行標記，并制訂了五條虛假評論者鑒別規(guī)則：1)評論總在商品上架后不久發(fā)表且評論日期呈現(xiàn)集中化趨勢；2)極端好評與極端差評占絕大多數(shù)且常與平均打分出入很大；3)評論內(nèi)容相似度很高且存在抄襲他人評論的現(xiàn)象；4)評論局限于個別商家并且反復(fù)對此商家的商品給予好評或差評；5)發(fā)表評論較多但與其他評論者不存在互動行為.當評論者的行為符合以上兩點或者兩點以上的描述時，評論者身份很可疑.最終人工標記結(jié)果見表3，其中“”表示和主對角線相對稱單元格數(shù)值相同.

本文通過計算Kappa值[27]對三位標記者標記結(jié)果的一致性進行檢驗，Kappa值越高，說明標記結(jié)果的一致性越高.三位標記者之間的Kappa值分別為0.79、0.89和0.87，人工標記結(jié)果具有很高可信度.當評論者被兩個及以上專家標記為虛假評論者時，視其為虛假評論者.實驗環(huán)境如下：Intel(R)Core(TM)i7-6700HQ 2.6GHZ處理器，8GB內(nèi)存，Windows10(64位)操作系統(tǒng)，使用MatlabR2016a作為實驗平臺.

表3 專家標記虛假評論者結(jié)果

5.1 SVM準確率測試

由于s10取值范圍不為[0，1]，我們首先對s10取值進行[0，1]歸一化處理.不同懲罰因子與核函數(shù)的選取會構(gòu)建不同的分類超平面，進而影響到SVM準確率.SVM準確率越低，說明單特征下評論者識別的不確定性越高，進而會增大證據(jù)融合后不確定性的mass函數(shù)值、降低最終判斷決策的準確率.因此，我們對不同數(shù)量樣本集下SVM模型進行測試，測試SVM的準確率隨著樣本數(shù)量增加的變化趨勢；同時，選取不同的核函數(shù)和懲罰因子，測試不同參數(shù)選取對SVM準確率的影響.我們以評論者評價行為構(gòu)建SVM為例，選取RBF核函數(shù)為典型代表，將訓(xùn)練樣本分為5個子集，采取交叉驗證[28]的方式對SVM進行訓(xùn)練，即每次以其中一個子集作為測試集，將其他四個子集作為訓(xùn)練集，整個過程進行不重復(fù)循環(huán)直至每個子集都作為測試集被預(yù)測一次，最后取5次結(jié)果準確率的平均值去衡量SVM準確率.懲罰因子c分別選取為0.1、1、10、100、1000.實驗結(jié)果如圖1所示.同時，我們固定懲罰因子為100，選取線性核函數(shù)、多項式核函數(shù)、RBF核函數(shù)及sigmoid核函數(shù)作為測試對象，對這些核函數(shù)下SVM的準確率進行測試，測試結(jié)果如圖2所示.

圖1 不同懲罰因子下RBF核函數(shù)SVM模型準確率

圖2 懲罰因子為100時測得不同核函數(shù)下SVM準確率

根據(jù)圖1和圖2的測試結(jié)果，可得出隨著訓(xùn)練樣本數(shù)量遞增，SVM準確率大體呈上升趨勢.sigmoid核函數(shù)分類效果明顯不如其他三類核函數(shù)，同時，當懲罰因子過大或過小時，都會降低SVM的準確率，進而大大增加證據(jù)理論模型中評論者識別的不確定性.因此，選擇合適的懲罰因子和核函數(shù)才能使模型的識別效果達到最佳.為避免懲罰因子選擇不當對實驗結(jié)果的影響，我們其取值范圍設(shè)置為[2-7，210]，步距為0.1，測得最高準確率如表4所示.根據(jù)表4結(jié)果，我們選取RBF核函數(shù)作為最終三個SVM模型的核函數(shù).

5.2 不同方法下虛假評論者識別比較

根據(jù)表4選取最優(yōu)準確率對應(yīng)的SVM模型作為單一特征模型，將SVM的無閾值輸出通過sigmoid函數(shù)得到在各個證據(jù)體下的證據(jù)支持度，進而進行證據(jù)融合，對得到的融合后的證據(jù)支持度依據(jù)判別規(guī)則對評論者身份進行判定并統(tǒng)計準確率.部分樣本的證據(jù)融合結(jié)果如表5和表6所示，根據(jù)實際情況，我們?nèi)ˇ?=0.05，θ2=0.1.

表4 不同核函數(shù)下的最高準確率

表5 初始不同評論特征下的證據(jù)支持度

表6 D-S證據(jù)融合后的證據(jù)支持度

根據(jù)最終實驗結(jié)果，證據(jù)理論模型對評論者的預(yù)測準確率達提高到了87.76%，相對于其它單特征下評論者識別效果有明顯提升.根據(jù)表4可以看出，其他三類檢測方法中，基于評論者對商品關(guān)注行為特征的檢測效果最差，大概為70%，而基于評論者的評價行為檢測效果優(yōu)于另外兩種.在單特征下評論者身份無法識別時，比如評論者2，可以通過證據(jù)融合的方式對其身份進行識別.因此，證據(jù)理論模型提高了評論者識別的準度，也使識別的不確定性大大降低.

為了驗證模型的合理性，我們重新輸入標記者新標記的1000個真實評論者和1000個虛假評論者作為樣本統(tǒng)計準確率和召回率，測試所得虛假評論者識別準確率、虛假評論者識別召回率、真實評論者識別準確率、真實評論者識別召回率如表7所示，可以看出，基于證據(jù)融合方法的準確率和召回率都要高于其他三種單一特征下的識別方法.

表7 基于不同方法的識別準確率及召回率

同時基于前文提到的11種評論者屬性維度，我們利用Native Bayes、Logistic Regression和Decision Tree 3種有監(jiān)督機器學習模型進行了對比實驗，實驗結(jié)果如表8所示.

可以看出，相比較于其他方法，證據(jù)融合的虛假評論者識別準確率提高了4%-9%，識別召回率提高了3%-8%，F(xiàn)1值提高了0.03-0.08.因此，證據(jù)融合方法在虛假評論者識別上優(yōu)于其他三種傳統(tǒng)方法.

表8 四種方法的實驗結(jié)果對比

最后，在算法1得到mass函數(shù)值的基礎(chǔ)上，我們將評論者按虛假評論者證據(jù)支持度由大到小排序，以被標記者標記的次數(shù)將評論者分為3、2、1、0這4個級別，以10為排列位置間隔，計算前k(k=10，20，30，…，100)位置排列的NDCG值[29]，NDCG值越高，說明排序結(jié)果越科學.同樣，在單一行為模式檢測下，我們按虛假評論者后驗概率值大小由高至低進行排序，對NDCG值進行計算，實驗結(jié)果如圖3所示.隨著排列位置的后移，四種排序方法得到的NDCG值都趨于穩(wěn)定，其中，基于證據(jù)融合進行排序比其他排序方式提高了2%-4%，明顯優(yōu)于其他排序，相反，基于評論者交流特征和基于對商品關(guān)注特征的排序并不是很好的排序方法.因此，基于虛假評論者證據(jù)支持度進行排序?qū)μ摷僭u論者有更好的區(qū)分度，能更準確地找出潛在的虛假評論者.

圖3 不同排序方法下的NDCG值

6 總 語

本文從解決虛假評論者識別問題出發(fā)， 分析了評論者評價行為在內(nèi)的三種行為模式， 以多個維度對評論者行為特征進行描述， 并基于用戶行為證據(jù)融合構(gòu)建D-S證據(jù)理論模型. 本文提出的方法和思路， 利用影響用戶身份各因素的不確定性和它們之間的相互關(guān)系， 從評論者的評價行為特征、 評論者對商品的關(guān)注特征、 評論者的交流行為特征三個全面的角度綜合考慮對評論者的身份進行檢測. 建立在真實數(shù)據(jù)上的實驗結(jié)果表明， 本文提出的方法結(jié)合多種作弊模式并進行證據(jù)融合， 可準確、 快速地檢測評論者身份， 避免了單個特征指標在解決虛假評論者檢測問題上的不足， 能夠幫助人們快速發(fā)現(xiàn)電子商務(wù)網(wǎng)站中存在虛假評論者、 虛假評論及低信譽商家， 進而對商品質(zhì)量有更清晰的了解. 文獻[3]從用戶打分行為角度對虛假評論者進行分析, 列出了一些虛假評論者檢測的可行指標. 文獻[20]基于不同時間片下評論數(shù)量和平均打分的變化發(fā)現(xiàn)虛假評論和虛假評論者. 相比于文獻[3]和文獻[20]， 我們更加系統(tǒng)全面地從不同角度分析了評論者行為， 同時更進一步對模型性能進行了測試. 相對于文獻[15]76%和文獻[21]83.7%的識別準確率， 我們87%的識別準確率取得了一定的提升. 然而， 本文的方法不適合對作弊團體中只發(fā)表個別評論的虛假評論者進行檢測. 今后將從集體作弊的角度分析， 去發(fā)現(xiàn)危害性更大、 隱蔽性更強的虛假評論者團體.