曹東偉，李邵梅，陳鴻昶

1.鄭州大學(xué) 中原網(wǎng)絡(luò)安全研究院，鄭州 450000

2.中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)，鄭州 450000

互聯(lián)網(wǎng)與電子商務(wù)的迅速崛起改變了眾多消費(fèi)者的消費(fèi)模式，線上消費(fèi)所占比例日益增加。線上消費(fèi)的在線評(píng)論成為影響商家與消費(fèi)者進(jìn)行決策的重要因素。真實(shí)的用戶評(píng)論能夠引導(dǎo)消費(fèi)者做出正確的消費(fèi)決策，然而由于商業(yè)利益、個(gè)人偏見(jiàn)等原因發(fā)布的不符合產(chǎn)品真實(shí)特性的虛假評(píng)論則會(huì)干擾用戶的消費(fèi)決策，對(duì)商家信譽(yù)造成不良影響。因此，尋找有效的檢測(cè)方法，準(zhǔn)確檢測(cè)出點(diǎn)評(píng)網(wǎng)站的虛假評(píng)論對(duì)提升用戶體驗(yàn)、維護(hù)良好的市場(chǎng)秩序具有重要意義。

自Jindal等[1]首次提出垃圾評(píng)論識(shí)別之后，虛假評(píng)論作為垃圾評(píng)論檢測(cè)任務(wù)中最困難的一類，一直是學(xué)者研究的熱點(diǎn)。目前，該研究方向主要還沿用Jindal的檢測(cè)原理，認(rèn)為檢測(cè)虛假評(píng)論可以轉(zhuǎn)化為檢測(cè)復(fù)制的評(píng)論，例如，同一評(píng)論多次用于評(píng)論不同的商品或同一商品存在多條類似評(píng)論，將具有此類特點(diǎn)的評(píng)論歸為虛假評(píng)論。

虛假評(píng)論檢測(cè)的本質(zhì)是文本分類問(wèn)題，為此，隨著自然語(yǔ)言處理技術(shù)的發(fā)展，很多新的文本分類方法，如基于圖卷積網(wǎng)絡(luò)[2-3]的文本分類方法也被引入進(jìn)行虛假評(píng)論檢測(cè)[4]。

Li等[5]利用GCN對(duì)閑魚網(wǎng)站中的虛假評(píng)論進(jìn)行檢測(cè)，通過(guò)商品、用戶、評(píng)論異質(zhì)網(wǎng)絡(luò)圖及評(píng)論與評(píng)論同質(zhì)圖[6-7]相結(jié)合，提出閑魚虛假評(píng)論檢測(cè)模型GAS（GCNbased anti-spam），基于閑魚網(wǎng)站評(píng)論數(shù)據(jù)與GBDT（gradient boost regression tree）、CNN等模型相比較，檢測(cè)效果均優(yōu)于其他模型。Wang等[8]研究發(fā)現(xiàn)，虛假用戶的行為越來(lái)越復(fù)雜，并且跨平臺(tái)評(píng)論的特點(diǎn)使得檢測(cè)更加困難。因此，作者提出基于GCN的半監(jiān)督檢測(cè)模型，首先在大量節(jié)點(diǎn)中找出可疑度較高的節(jié)點(diǎn)作為種子節(jié)點(diǎn)，利用GCN網(wǎng)絡(luò)中節(jié)點(diǎn)之間信息相互傳播，找出與種子節(jié)點(diǎn)相似度高的節(jié)點(diǎn)，實(shí)現(xiàn)虛假評(píng)論檢測(cè)。Manaskasemsak等[9]針對(duì)現(xiàn)有檢測(cè)方法往往需要耗費(fèi)大量成本來(lái)標(biāo)記訓(xùn)練數(shù)據(jù)這一現(xiàn)象，提出了基于用戶圖的檢測(cè)方法，與文獻(xiàn)[8]類似，首先提取一組特征，然后通過(guò)連接共同擁有這些特征的用戶構(gòu)建用戶圖，通過(guò)子圖逐次迭代擴(kuò)散發(fā)現(xiàn)更多與其相似度大的節(jié)點(diǎn)，在Yelp數(shù)據(jù)集上證明其具有效性。這些方法有的需要用到評(píng)論外的商品信息或者用戶行為信息，有的需要指定種子節(jié)點(diǎn)，而開(kāi)源的虛假評(píng)論數(shù)據(jù)集通常難以滿足上述需求。

為此，本文借鑒文獻(xiàn)[10]中首次提出的基于圖卷積神經(jīng)網(wǎng)絡(luò)文本分類模型Text-GCN（text-graph convolution networks），對(duì)基于評(píng)論內(nèi)容的虛假評(píng)論檢測(cè)展開(kāi)研究。文獻(xiàn)[10]的作者在構(gòu)建圖過(guò)程中，連邊信息只考慮了詞匯間的共現(xiàn)關(guān)系，很明顯該方法對(duì)詞匯重合度較高的評(píng)論文本有更好的檢測(cè)效果，但是實(shí)際應(yīng)用中，水軍可以通過(guò)變換詞匯或模板的方法規(guī)避檢測(cè)，所以該方法具有一定的局限性[11]。為了彌補(bǔ)該不足，本文提出一種融合語(yǔ)義信息的虛假評(píng)論檢測(cè)方法Sem-GCN（sematic-graph convolution networks），在構(gòu)建詞匯-詞匯之間的連邊時(shí)，不僅考慮基于窗口的共現(xiàn)關(guān)系而且也考慮詞匯之間的語(yǔ)義相似性關(guān)系。通過(guò)構(gòu)建融合共現(xiàn)關(guān)系和詞匯相似度的詞匯-評(píng)論異質(zhì)網(wǎng)絡(luò)圖將虛假評(píng)論檢測(cè)問(wèn)題轉(zhuǎn)化為節(jié)點(diǎn)分類問(wèn)題，利用GCN可以很好地捕捉節(jié)點(diǎn)與節(jié)點(diǎn)之間高階特征信息的特點(diǎn)[12]，從而提高虛假評(píng)論檢測(cè)的效果。在同一數(shù)據(jù)集上與K均值聚類方法、CNN、LSTM及Text-GCN進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證了本文方法的有效性。

1 Text-GCN

1.1 GCN

圖神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò)，利用譜聚類的思想，將傳統(tǒng)的離散卷積應(yīng)用在圖結(jié)構(gòu)數(shù)據(jù)上，在對(duì)特征學(xué)習(xí)時(shí)綜合考慮了來(lái)自鄰居實(shí)體的所有信息[13]。圖結(jié)構(gòu)可以用G=(V,ε)表示，其中節(jié)點(diǎn)v∈V，邊e∈ε。節(jié)點(diǎn)初始特征X=H0∈Rd0，其中d0代表節(jié)點(diǎn)的特征維度。模型中節(jié)點(diǎn)v第l層的隱藏向量可表示為H l∈Rd l，其中dl代表第l層的向量的維度。

GCN學(xué)習(xí)方式遵循逐層學(xué)習(xí)，所有節(jié)點(diǎn)同步更新[14]。每層學(xué)習(xí)過(guò)程可分解為兩個(gè)步驟：聚合與合并，其過(guò)程可以表示為式（1）：

A表示節(jié)點(diǎn)的鄰接矩陣，D為鄰接矩陣的度矩陣，形式如式（2）所示，W l為第l層訓(xùn)練得到的矩陣。

1.2 Text-GCN

Yao等[10]首次使用標(biāo)準(zhǔn)圖卷積網(wǎng)絡(luò)進(jìn)行文本分類，以文檔和文檔中的詞作為節(jié)點(diǎn)，構(gòu)建異構(gòu)文本圖，將每個(gè)詞及文本表示為One-hot向量作為圖卷積網(wǎng)絡(luò)的輸入。其中包含詞與詞，詞與文檔兩類連邊，兩類連邊的構(gòu)建方式如下：

（1）詞與文檔間連邊構(gòu)建方法

根據(jù)詞在某個(gè)文檔中出現(xiàn)與否建立詞-文檔之間的邊。文獻(xiàn)[10]中針對(duì)的是普通的文本分類任務(wù)，在本文的應(yīng)用中文檔為評(píng)論文本。評(píng)論與詞之間連邊的權(quán)重可以由TF-IDF特征值所表示，TF（term frequence）是詞在文檔中出現(xiàn)的次數(shù)，IDF（inverse document frequence）是指對(duì)評(píng)論總數(shù)除以包含該詞的評(píng)論數(shù)所得的商取對(duì)數(shù)。

（2）詞與詞間連邊構(gòu)建方法

文獻(xiàn)[10]通過(guò)統(tǒng)計(jì)在給定長(zhǎng)度為γ的時(shí)間窗口內(nèi)，詞共現(xiàn)數(shù)作為詞與詞之間的權(quán)重。利用點(diǎn)互信息（PMI）來(lái)描述這種信息。例如節(jié)點(diǎn)wi與節(jié)點(diǎn)w j之間邊的權(quán)重計(jì)算可以由式（4）~（6）表示：

p(wi,w j)表示在時(shí)間窗口λ內(nèi)詞wi與w j共現(xiàn)的概率，由式（5）所得，W(wi,w j)是評(píng)論集合在給定時(shí)間窗口內(nèi)詞對(duì)(wi,w j)共現(xiàn)的數(shù)目，W是評(píng)論集合在給定時(shí)間窗口內(nèi)所有詞的總數(shù)目。p(wi)是在時(shí)間窗口下wi出現(xiàn)的概率，W(wi)是整個(gè)評(píng)論集在時(shí)間窗口下wi出現(xiàn)的數(shù)目。

文本圖構(gòu)建完成后，送入GCN網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，學(xué)習(xí)過(guò)程如式（7）所示：

2 Sem-GCN模型

本文借鑒文獻(xiàn)[10]描述的Text-GCN網(wǎng)絡(luò)進(jìn)行虛假評(píng)論檢測(cè)，其中本文中的虛假評(píng)論對(duì)應(yīng)上一章中的每個(gè)文檔。作者在構(gòu)建圖過(guò)程中，連邊信息只考慮詞匯間的共現(xiàn)關(guān)系，但是評(píng)論文本具有的不規(guī)范性與詞匯多樣性導(dǎo)致檢測(cè)效果降低，所以該方法具有一定的局限性。此外，虛假評(píng)論具有很強(qiáng)的迷惑性，僅利用每條文本所含信息進(jìn)行檢測(cè)，效果并不良好，而挖掘出每條評(píng)論在整個(gè)評(píng)論集中的全局信息更有助于提升檢測(cè)效果[15]。因此，為了提高對(duì)虛假評(píng)論的檢測(cè)效果，本文對(duì)Text-GCN進(jìn)行改進(jìn)，提出了基于Sem-GCN的檢測(cè)方法。與CNN、LSTM學(xué)習(xí)模型相比，Sem-GCN通過(guò)多種方法建立連邊使模型具有更好的捕獲全局信息的能力，構(gòu)建詞與詞之間的連邊時(shí)，不僅利用詞間共現(xiàn)信息，還引入基于詞嵌入的相似性信息[16]。通過(guò)文本圖中連邊間信息迭代更新，每個(gè)節(jié)點(diǎn)不僅攜帶自身信息，還攜帶鄰域節(jié)點(diǎn)信息。如圖1所示。Sem-GCN在構(gòu)建詞-詞的連邊時(shí)融入了詞之間的語(yǔ)義信息，語(yǔ)義信息又通過(guò)文本異質(zhì)圖中詞與評(píng)論間的連接傳遞到評(píng)論與評(píng)論之間，有助于更好地得到每條評(píng)論在整個(gè)評(píng)論集合中的全局性特征信息。

圖1 Sem-GCN框架圖Fig.1 Sem-GCN frames

其中，圖1中基于語(yǔ)義相似度的邊權(quán)重計(jì)算方法如下。

（1）利用BERT預(yù)訓(xùn)練詞向量分別得到兩個(gè)詞wi與w j的詞向量表示。

（2）對(duì)wi與w j兩個(gè)詞的向量表示計(jì)算余弦相似度，當(dāng)相似度超出既定閾值時(shí)，則認(rèn)為兩個(gè)詞之間存在語(yǔ)義關(guān)系，即建立連邊。本文選取閾值為0.8，邊的權(quán)重計(jì)算如式（8）所示：

其中，Ssem(wi,w j)表示單詞wi與w j之間邊的權(quán)重，Usem(wi,w j)表示在整個(gè)數(shù)據(jù)集的所有評(píng)論中wi與w j兩個(gè)單詞存在語(yǔ)義關(guān)系的數(shù)目。Utotal(wi,w j)是在整個(gè)評(píng)論集合中wi與w j在同一條評(píng)論中出現(xiàn)的次數(shù)。

本文提出的Sem-GCN進(jìn)行虛假評(píng)論檢測(cè)的流程如下。

首先對(duì)所有評(píng)論中的詞進(jìn)行統(tǒng)計(jì)并刪去重復(fù)詞構(gòu)成一個(gè)詞匯表；基于詞匯表中的詞，每個(gè)詞視為一個(gè)節(jié)點(diǎn)，同時(shí)將每條評(píng)論也視為一個(gè)節(jié)點(diǎn)；然后，文本圖中建立連邊時(shí)遵循以下規(guī)則：若某條評(píng)論涵蓋詞匯表中的詞，則該條評(píng)論與詞建立連邊；設(shè)定固定大小的窗口，若在該窗口內(nèi)，同時(shí)出現(xiàn)在窗口內(nèi)的詞則分別建立連邊；計(jì)算每條評(píng)論中詞之間的語(yǔ)義相似度，若大于閾值則建立連邊。最后，評(píng)論信息轉(zhuǎn)化為圖中的節(jié)點(diǎn)，評(píng)論文本圖如圖2所示，其中R表示評(píng)論，W表示詞，可以看出詞與評(píng)論之間存在一種連邊，而詞與詞之間除基于窗口共現(xiàn)關(guān)系外，還存在基于語(yǔ)義相似度所建的連邊。圖2可以表示為式（9）：

圖2 評(píng)論異質(zhì)文本圖Fig.2 Review heterogeneous text map

其中，N={n1,n2,…,n n}，代表評(píng)論與詞共有n個(gè)節(jié)點(diǎn)。邊集合由E={e1,e2,…,e s}，節(jié)點(diǎn)ni與n j之間的連邊可以表示為eij=E(n i,n j)。邊的權(quán)重分為兩種，一種是詞匯與評(píng)論之間的權(quán)重αrw，另一種是詞匯與詞匯之間的權(quán)重αww。αrw由1.2節(jié)中公式（3）計(jì)算。

最終詞與詞之間連邊的權(quán)重值由1.2節(jié)中式（4）計(jì)算的PMI與式（8）計(jì)算的Ssem共同決定，如式（10）所示。當(dāng)基于窗口與語(yǔ)義相似度兩種方法都存在連邊時(shí)，則權(quán)重αww為兩個(gè)權(quán)重值相加。僅基于時(shí)間窗口存在連邊時(shí)權(quán)重αww=PMI(wi,w j)。僅基于語(yǔ)義相似度存在連邊時(shí)αww=Ssem(wi,w j)。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)為Ott等人利用眾包平臺(tái)獲取的標(biāo)準(zhǔn)數(shù)據(jù)集，這也是唯一公開(kāi)可用的虛假評(píng)論數(shù)據(jù)集。Ott等人雇傭人員為20個(gè)旅館進(jìn)行評(píng)論，共收集400條虛假評(píng)論。此后，Ott等及Li等基于此數(shù)據(jù)又進(jìn)行擴(kuò)充，內(nèi)容涵蓋酒店、餐飲等領(lǐng)域。數(shù)據(jù)總量為1 600條評(píng)論數(shù)據(jù)，其中真實(shí)評(píng)論與虛假評(píng)論各800條。實(shí)驗(yàn)中按7∶2∶1比例將這些數(shù)據(jù)分為訓(xùn)練集、測(cè)試集、驗(yàn)證集三類。

3.2 評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)結(jié)果評(píng)價(jià)指標(biāo)采用精確率(P)，召回率(R)與F1值。

精確率表示測(cè)試數(shù)據(jù)中被正確預(yù)測(cè)的評(píng)論數(shù)占所有評(píng)論的比例。計(jì)算方法如公式（11）所示。式中，TP表示被正確預(yù)測(cè)的評(píng)論數(shù)，F(xiàn)P表示被錯(cuò)誤預(yù)測(cè)為真實(shí)的評(píng)論數(shù)。

召回率表示測(cè)試評(píng)論中被正確預(yù)測(cè)的評(píng)論數(shù)占所有真實(shí)評(píng)論數(shù)的比例，由公式（12）可以得出。其中，F(xiàn)N為被錯(cuò)誤預(yù)測(cè)為虛假+評(píng)論的數(shù)量。

F1值用來(lái)綜合評(píng)價(jià)算法，由召回率與精確率計(jì)算，如公式（13）所示：

3.3 實(shí)驗(yàn)結(jié)果分析

3.3.1 實(shí)驗(yàn)1

本文實(shí)驗(yàn)環(huán)境為系統(tǒng)版本Ubuntu16.04，硬件環(huán)境為TITAN XP處理器，模型包括兩層GCN網(wǎng)絡(luò)，每一層GCN隱藏層大小設(shè)置為200，窗口大小設(shè)置為15，學(xué)習(xí)率為0.01，訓(xùn)練50輪次，訓(xùn)練結(jié)果如圖3所示。

圖3 訓(xùn)練結(jié)果Fig.3 Training result

在epoch=10以前，模型訓(xùn)練還未達(dá)到最優(yōu)。分析原因是對(duì)于Sem-GCN網(wǎng)絡(luò)，節(jié)點(diǎn)信息需要進(jìn)行圖內(nèi)傳播，當(dāng)達(dá)到10輪左右，圖的全局信息在訓(xùn)練過(guò)程中充分傳播，檢測(cè)效果明顯提升。模型訓(xùn)練時(shí)長(zhǎng)為24 s，其中構(gòu)建評(píng)論文本圖耗費(fèi)20 s，文本圖訓(xùn)練耗費(fèi)4 s。訓(xùn)練時(shí)間如圖4所示。

圖4 訓(xùn)練時(shí)間/輪次Fig.4 Training time/epoch

因?yàn)橛?xùn)練開(kāi)始，鄰域信息需要在評(píng)論圖中聚合傳播，所以訓(xùn)練時(shí)間波動(dòng)較大，同樣可以看出在經(jīng)過(guò)10輪左右，每一輪次的訓(xùn)練時(shí)間趨于穩(wěn)定，證明在訓(xùn)練10輪左右文本圖中全局信息充分傳播。評(píng)論檢測(cè)結(jié)果如圖5所示，標(biāo)簽0代表真實(shí)評(píng)論，標(biāo)簽為1代表虛假評(píng)論。

圖5 分類結(jié)果Fig.5 Classification result

3.3.2 實(shí)驗(yàn)2

為了更好驗(yàn)證該方法的有效性，在標(biāo)準(zhǔn)數(shù)據(jù)集上，本文與基線模型K均值聚類，CNN、LSTM模型以及文獻(xiàn)[10]中的Text-GCN方法進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表1所示。其中，K均值聚類方法為任亞峰[17]在Ott等人合成的標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行檢測(cè)的方法。實(shí)驗(yàn)表明，與CNN、LSTM等深度學(xué)習(xí)模型相比，本文方法的準(zhǔn)確率均得到不同程度的提升，并且處理效率也優(yōu)于LSTM。本文認(rèn)為主要原因是Sem-GCN將評(píng)論文本轉(zhuǎn)化為以詞匯為節(jié)點(diǎn)構(gòu)圖，不僅利用節(jié)點(diǎn)的文本信息，還將評(píng)論與評(píng)論之間通過(guò)詞匯關(guān)聯(lián)起來(lái)，更好地利用節(jié)點(diǎn)之間的鄰域信息，彌補(bǔ)評(píng)論不規(guī)范的特性，緩解數(shù)據(jù)的稀疏性。值得強(qiáng)調(diào)的是，本文提出的Sem-GCN的檢測(cè)效果優(yōu)于Text-GCN，證明本文提出的模型在構(gòu)建文本圖過(guò)程中引入語(yǔ)義信息的有效性，融入語(yǔ)義信息后，在評(píng)論中某些表達(dá)含義相近的詞在基于語(yǔ)義相似度的方法下同樣也會(huì)建立連邊，有效緩解連邊信息只考慮詞匯間的共現(xiàn)關(guān)系，因評(píng)論文本不規(guī)范，詞匯多樣性導(dǎo)致檢測(cè)效果降低的狀況。

表1 實(shí)驗(yàn)結(jié)果對(duì)比Table 1 Comparison of experimental results

此外，實(shí)驗(yàn)發(fā)現(xiàn)本文提出的Sem-GCN在訓(xùn)練樣本數(shù)較少時(shí)也可具有很好的效果，為了研究Sem-GCN在小樣本情況下的檢測(cè)性能，相同的實(shí)驗(yàn)環(huán)境下，采用訓(xùn)練數(shù)據(jù)集的40%進(jìn)行模型訓(xùn)練，觀測(cè)其檢測(cè)效果，結(jié)果如圖6所示。在訓(xùn)練樣本數(shù)降到40%，訓(xùn)練評(píng)論數(shù)只有448條的條件下，準(zhǔn)確率也可達(dá)到87%；相同條件下，CNN和LSTM的準(zhǔn)確率分別只有79%與82%。實(shí)驗(yàn)結(jié)果表明GCN可以很好地將特征信息傳播到整個(gè)圖上，具有捕獲全局信息的能力，在小樣本條件下相對(duì)于其他模型的檢測(cè)效果優(yōu)勢(shì)更明顯。

圖6 40%訓(xùn)練數(shù)據(jù)效果Fig.6 40%training data effect

4 結(jié)語(yǔ)

本文基于GCN網(wǎng)絡(luò)對(duì)虛假評(píng)論檢測(cè)進(jìn)行研究，提出利用文本圖來(lái)捕獲上下文語(yǔ)義信息，基于共現(xiàn)關(guān)系的上下文信息及評(píng)論與評(píng)論之間的關(guān)系信息，并對(duì)圖中的連邊賦予不同的權(quán)重。在Ott等人利用眾包平臺(tái)獲取的標(biāo)準(zhǔn)數(shù)據(jù)集上與LSTM、CNN等模型進(jìn)行比較，檢測(cè)準(zhǔn)確率均有不同程度的提升，證明了在順序上下文信息的基礎(chǔ)上融入語(yǔ)義信息，檢測(cè)效果有一定程度的提升。同時(shí)，證明了在小樣本情況下，本文提出的Sem-GCN模型同樣可以達(dá)到較好效果。未來(lái)的工作中，還可以融合用戶行為特征，構(gòu)建多類型異質(zhì)網(wǎng)絡(luò)，豐富節(jié)點(diǎn)信息，提高檢測(cè)效果。