徐藝苗，耿 亮，安 彧

(湖北工業(yè)大學(xué)理學(xué)院，湖北 武漢 430068)

0 引言

隨著網(wǎng)上購物消費方式不斷盛行，許多用戶傾向于通過各種電子商務(wù)平臺發(fā)表自己的觀點。海量的評論逐漸成為影響電商發(fā)展的重要因素，積極正面的評論信息有助于提升商品的銷量。然而，有些商家為了追求利潤，會雇傭水軍發(fā)布虛假的評論信息來誤導(dǎo)消費者，這些虛假評論會破壞電商市場的秩序，影響其正常發(fā)展。因此識別虛假評論具有了重要的現(xiàn)實意義。

對于虛假評論的識別工作，自2008年Jindal[1]等人提出后，已出現(xiàn)了大量的研究。Jindal 等人通過提取評論的文本特征，商品特征，以及評論者的信息，構(gòu)建模型來區(qū)分真假評論。Li[2]等人從評論的文本層面進行研究，發(fā)現(xiàn)真實評論在詞性特征上會包含更多的名詞和形容詞，認為可以從詞性角度來識別虛假評論，但是該方法難以識別出刻意編寫的虛假評論。Burgoon[3]等人指出真實評論與虛假評論存在顯著的語言差異，虛假評論者往往避免使用第一人稱代詞，認為可以根據(jù)第一人稱代詞的頻率來檢測虛假評論。Ott[4]等人構(gòu)造一個黃金標準數(shù)據(jù)集，通過文本的分析工具（LIWC）提取文本特征，利用支持向量機（SVM）進行虛假評論檢測。宋海霞[5]等人通過借助行為特征，提出自適應(yīng)聚類的虛假評論檢測方法，構(gòu)建評論的特征聚類矩陣對K 均值算法進行改進，然后通過聚類分析來進行虛假評論識別。Savage[6]等人通過評分行為這一特征構(gòu)建二項回歸模型，認為評分行為偏離于多數(shù)人的評論者是虛假評論者。

先前的工作大多利用評論的評分和文本內(nèi)容來檢測虛假評論，存在許多不足。首先，沒有考慮到兩者間的一致性問題，即評論評分與評論的文本內(nèi)容并不一致，僅根據(jù)評分不能完全來代表評論者的真實感受；其次，忽略了在不同時間段內(nèi)評論的不同表現(xiàn)。在某段時間內(nèi)，評論數(shù)量激增或評論整體的評分突然上升或者下降，都可能存在著虛假評論的原因[7]。

針對上述問題，本文首先考慮了時間的爆發(fā)性特征，構(gòu)建一個基于局部異常因子的時間特征指標；然后將評論特征，評論者特征和時間特征三者結(jié)合，構(gòu)建一個虛假評論檢測模型；最后針對Yelp 數(shù)據(jù)集的數(shù)量不平衡問題，即虛假評論的數(shù)量遠小于真實評論的數(shù)量，利用集成采樣的方法來改進。

1 融合時間特征的虛假評論識別算法模型

1.1 特征指標的構(gòu)建

我們從評論特征、評論者特征和時間特征三個層面，選取了共15 個特征指標對虛假評論進行識別，分別從多個維度構(gòu)建初始指標的集合。

⑴基于局部異常因子的時間特征

虛假評論的出現(xiàn)會導(dǎo)致在某段時間內(nèi)評論的評分和評論數(shù)量出現(xiàn)一些異常的波動，所以可以根據(jù)時間窗口內(nèi)評論的數(shù)量和評分均值來對虛假評論進行識別，但如果僅以評論數(shù)量作為時間序列的篩選指標不夠合理。圖1顯示了從2005年1月1日到2012年12月30日在Yelp網(wǎng)站上的評論數(shù)量，如果僅使用評論數(shù)量作為篩選指標，認為時間窗口內(nèi)大于閾值的評論是可疑的評論，可疑的虛假評論的時間窗口大多都在時間的后半段，顯然是不合理的。而且如果僅對大于閾值時間窗口內(nèi)的評論進行分析，會導(dǎo)致大量評論數(shù)據(jù)丟失。圖2 顯示了每一天所有評論的得分均值，其分布也不具有顯著的識別特征。信息熵可以有效的度量系統(tǒng)參數(shù)的分布變化情況，情況越混亂，信息熵就越大，因此可以利用這一特點進行虛假評論的識別。

圖1 時間-評論數(shù)量圖

圖2 時間-得分均值圖

局部異常因子（LOF）算法，是一種基于距離進行異常檢測的方法。通過比較每個點和其鄰域點的密度來判斷該點是否為異常點。本文利用信息熵，評分均值和評論數(shù)三個指標建立一個三維的時間序列，采用局部異常因子算法構(gòu)建時間特征指標。算法步驟如下。

第1步根據(jù)評論發(fā)表的時間順序，按照時間窗口的大小Δt，將評論劃分為k段，第j個時間窗口表示為：

第2步計算在每一個時間窗口內(nèi)，所有評論樣本的得分均值X1，評論數(shù)量X2和信息熵X3。

第3 步利用歐氏距離計算得分均值、評論數(shù)量、信息熵三者間的距離：D(p,oi(p))。

第4步計算點p的第K局部可達密度：

同理，計算在K 近鄰領(lǐng)域上點oi(p),(i=1,2,…)的局部可達密度dk(oi(p))。

第5 步根據(jù)局部可達密度，計算點p 的第K 局部離群因子LOF值：

指標匯總?cè)绫?所示。

表1 特征指標

1.2 基于PCA-SVM的虛假評論識別算法模型

對于虛假評論的識別，是一個二分類問題，將其劃分為虛假評論和真實評論。本文將主成分分析（PCA）與支持向量機算法結(jié)合應(yīng)用于虛假評論識別中，考慮時間的爆發(fā)性特征，對指標進行特征選擇和分類器訓(xùn)練，構(gòu)建一個較為完備的虛假評論識別框架。

算法步驟

第一階段：文本數(shù)據(jù)的預(yù)處理。

采用語料庫清理，去除停用詞，文本分詞，標注詞性，詞頻統(tǒng)計等預(yù)處理方法。對數(shù)據(jù)進行格式化處理，提取評論內(nèi)容的各項特征，構(gòu)建評論的特征向量。

第二階段：基于局部異常因子的虛假評論時間特征計算。

根據(jù)評論數(shù)量，評分，信息熵構(gòu)建三維時間序列，利用局部異常因子算法得到其LOF 值，構(gòu)造一個時間特征指標。

設(shè)定LOF 的閾值δ，當LOF 值大于δ時，被認為是離群值，即被懷疑為虛假評論。本文設(shè)定閾值為1，即當LOF值大于1時我們懷疑該時間窗內(nèi)的評論為虛假評論，反之則認為是真實評論。然后將被懷疑的評論賦值為1，不被懷疑的評論賦值為0，便于計算。

第三階段：特征提取。

本文選取了共15 項特征指標，由于指標較多，各指標間可能存在著相關(guān)關(guān)系，為了消除變量間的相關(guān)性，使變量的數(shù)量最小化，采用主成分分析對原始的指標進行數(shù)據(jù)降維。

第四階段：虛假評論檢測。

支持向量機算法是一個二分類模型，利用其對虛假評論進行識別。最后對虛假評論識別模型的效果進行評價檢測。算法流程如圖3所示。

圖3 算法流程圖

1.3 評價指標

在本文這種類別不平衡的情況下，一般選用的召回率、精確率不適合作為評價指標。本文選擇AUC值作為評價指標，AUC 值是ROC 曲線與坐標軸圍成的面積大小，取值在0到1之間，通常AUC的值越接近1，則表示分類器效果越好。

2 實驗與結(jié)論

2.1 實驗數(shù)據(jù)集

對于虛假評論的研究，一個重要的難題就是無法獲得標注數(shù)據(jù)集，很多研究者常常選擇人工標注的方式來獲取標注數(shù)據(jù)集，然而，人工標注具有主觀性。本文選取了美國版的大眾點評網(wǎng)站Yelp 評論數(shù)據(jù)集進行實驗，該網(wǎng)站有自身的檢測系統(tǒng)用于過濾虛假評論，從而得到帶有標注的評論數(shù)據(jù)集。經(jīng)過整理，得到實驗數(shù)據(jù)結(jié)果，如表2所示。

表2 實驗數(shù)據(jù)集

2.2 模型實現(xiàn)

⑴時間特征指標的結(jié)果

首先，設(shè)置時間窗口的大小為一天，將5854 條Yelp 評論劃分為1931 個時間窗口。有研究者指出[7]，當LOF 的值接近1 時，說明點p 的密度與周圍點的密度相差不大；當LOF 的值大于1 時，說明點p 的密度小于其相鄰點的密度，此時可以認為這是一個離群值。因此，將閾值設(shè)為1，結(jié)果如圖4 所示，其中，被懷疑為是虛假評論的時間窗口有74個，將這些評論的懷疑程度標記為1，其余評論標記為0，然后將窗口還原，最后得到在5854條評論中，懷疑程度為1的評論有255條，懷疑程度為0 的評論有5599 條。被懷疑為假評論的數(shù)據(jù)分布更均勻，結(jié)果較合理。

圖4 LOF局部離群點

⑵主成分分析特征提取

本文采用主成分分析法來消除變量之間的相關(guān)性，變量對原始信息的貢獻率排名的結(jié)果如圖5所示，到第八個變量時，其單個的方差貢獻率不到0.06，最后選擇保留8個變量，可以保留原始信息的84.04%。

圖5 方差貢獻率圖

2.3 實驗結(jié)果對比分析

為了分析不同特征對結(jié)果造成的影響，本文選擇不同的特征，在Yelp 數(shù)據(jù)集上分別進行對比實驗。將80%的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，剩下的20%作為測試集合。以AUC為評價指標，實驗結(jié)果如表3所示。

表3 實驗結(jié)果

由表3 可知，本文融合時間特征的方法在對比實驗中取得了較好的結(jié)果，AUC 值達到87.62。在結(jié)合時間特征指標之后，能夠更加全面的反映評論的異常情況，從而發(fā)現(xiàn)潛在的虛假評論，對數(shù)據(jù)集進行虛假評論識別的效果更好。同時在僅選取評論特征或者評論者特征時，如果加上本文所考慮的時間特征指標來識別虛假評論，模型的AUC值也能有效的提高。

本文數(shù)據(jù)集屬于不平衡數(shù)據(jù)集，一般采用過采樣或欠采樣方法處理失衡的樣本數(shù)據(jù)[8]。過采樣是對數(shù)據(jù)集中的少數(shù)類數(shù)據(jù)進行多次重復(fù)采樣，保留多數(shù)類數(shù)據(jù)，從而使得兩個類別數(shù)量相當。而欠采樣與之相反。本文對數(shù)據(jù)集進行采樣處理的對比實驗，具體結(jié)果如表4所示。

表4 采樣結(jié)果

在過采樣或欠采樣后，模型的分類效果并不好。欠采樣會丟失掉一部分數(shù)據(jù)的信息，過采樣會導(dǎo)致新樣本與周圍的多數(shù)類樣本產(chǎn)生大部分重疊，致使分類困難。

本文嘗試通過集成方法來解決樣本不平衡的問題，即每一次生成訓(xùn)練集的時候使用分類中的小樣本量，然后從大樣本量中隨機抽取數(shù)據(jù)來合并構(gòu)成訓(xùn)練集，這樣反復(fù)多次得到多個訓(xùn)練集。在數(shù)據(jù)集均衡的情況下，對比模型的表現(xiàn)，實驗結(jié)果如表5 所示，可以得到在對數(shù)量少的類別進行重新采樣時，模型的性能更好，AUC值達到了88.99。

表5 集成采樣結(jié)果

3 結(jié)束語

本文通過考慮評論的時間特征，將其與評論特征和評論者的特征相結(jié)合，構(gòu)建一個虛假評論識別模型。利用主成分分析法對數(shù)據(jù)降維，選取重要特征對虛假評論進行識別。對比現(xiàn)有的研究方法，本研究的方法AUC值更高，識別效果更加顯著。最后利用集成采樣的方法來解決Yelp 數(shù)據(jù)集中數(shù)量不平衡問題。結(jié)果表明，集成采樣的方法能有效提高模型的AUC值。后期將引入更多的特征指標，深入分析虛假評論的特征，提高虛假評論識別模型的精度。