基于真实监控理论的虚假评论识别方法及自适应警告策略研究

Currently, it is difficult to judge reviews’ true and false by human. The review data is very big. Understanding content is complex. And it is lack of fake reviews warning strategy. Therefore, automatically identifying fake reviews and their warning strategy is meaningful research question. In response to new characteristics of online review environments, the proposed research will adopt a variety of research methodologies such as the design science, simulation modeling, algorithm development, and empirical studies. We will establish fake review identification based on reality monitoring theory, and provide the definition of four attributes and its questionnaire items in online review environments. Furthermore, according to the result of proposed research model, we will provide attributes feature classification system, develop unsupervised classification algorithms and establish fake review identification method based on content cues. Finally, based on signal detection theory, the research will investigate warning message content and warning data accuracy and build fake review adaptive warning strategy. The finding of this project will provide a set of theory of building fake review automatically identification tool and adaptive warning strategy selection for E-WOM platforms. It will also help government, platforms and organization to improve the accuracy of fake review identification and alertness for customer.

在线点评中评论真假难以判断、数据量大、语义理解复杂、缺乏对虚假评论的警告策略管理，因此，虚假评论自动识别与警告信息选择就成为一个有意义的研究问题。本研究针对在线点评语境的特点，采用设计科学、系统建模与算法设计及实证研究方法，首先，构建基于RM理论的虚假评论内容线索识别模型，并提出适合于在线点评语境的属性特征定义和测量量表。进而，基于本研究的理论研究结果，给出属性特征分类体系以及无监督分类算法,提出基于内容线索的虚假评论自动识别方法。最后，以信号检测论为基础，研究警告信息内容特征和警告数据准确性等因素，构建虚假评论自适应警告策略理论。本研究为口碑平台中虚假评论自动识别工具及自适应警告策略提供理论与方法。同时，对于政府、企业及消费者组织进一步提高虚假评论识别的准确性以及更好地帮助消费者提高对虚假评论的警觉性都有积极的实践意义。

在线点评中评论真假难以判断、数据量大、语义理解复杂、缺乏对虚假评论的警告策略管理，因此，虚假评论自动识别与警告信息选择就成为一个有意义的研究问题。本项目首先基于真实监控理论（RM理论）提炼在线点评语境中相关的属性特征，给出了如何刻画和度量四类属性特点的定义和方法，并构建适应于在线点评语境的虚假评论内容线索识别模型。进而，针对以上内容线索识别模型中四个属性特征，从计算语言学角度，归纳总结了认知负荷、无确定性、各种不同情绪、人和事件的距离、感知和情景以及认知过程等六种特征的语言线索词。采用特征选择和机器学习方法作为文本分类模型，并在标准的信息检索评价指标获得较好效果。另外，为了更为深入分析社交媒体文本之间逻辑关系，本研究提出了自动识别网络文本之间回复关系和言语行为的分析算法。同时，基于用户的海量搜索行为数据、在线点评内容等信息，通过AHP-BP神经网络评价权重模型构建个性化标签系统，并对不同标签进行情感分析，识别通过的用户特征，提供不同的信息服务。最后，通过影响用户判别能力和决策阙限两个因素，研究警告信息呈现位置、呈现方式以及警告内容信息特征对在线点评用户做出消费决策的决策质量和决策努力、以及用户对于在线平台的信任度的影响。基于此，开发了实验系统模拟真实点评网站，采用实验室实验方法验证了相关的研究假设。