武雅萱

隨著網(wǎng)上購(gòu)物成為一種最重要的日常購(gòu)物方式，產(chǎn)品評(píng)論成為了用戶是否購(gòu)買賣家產(chǎn)品的重要依據(jù)，因而對(duì)虛假評(píng)論的識(shí)別具有重要意義。本文基于虛假評(píng)論和真實(shí)評(píng)論在情感極性上的差異，定義了8個(gè)特征并利用隨機(jī)初值的局部搜索法、模擬退火法兩種啟發(fā)式算法進(jìn)行特征選擇，再通過(guò)兩種聚類算法對(duì)虛假評(píng)論進(jìn)行識(shí)別。最后通過(guò)對(duì)構(gòu)造出的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，驗(yàn)證了算法的有效性。

【關(guān)鍵詞】虛假評(píng)論 情感極性 啟發(fā)式算法 聚類

1 引言

互聯(lián)網(wǎng)的發(fā)展極大地影響了人們的生活方式和消費(fèi)觀念，網(wǎng)購(gòu)越來(lái)越受到消費(fèi)者的歡迎。由于人貨分離，消費(fèi)者在消費(fèi)前需要大量的信息作為參考，面向產(chǎn)品的評(píng)論是其中重要的一環(huán)。在現(xiàn)實(shí)利益的驅(qū)動(dòng)下，垃圾評(píng)論快速“滋生”，特別是產(chǎn)品評(píng)論數(shù)量呈爆炸性趨勢(shì)增長(zhǎng)，人為地辨別垃圾評(píng)論已不切實(shí)際，因此，研究出一種能夠識(shí)別和過(guò)濾垃圾評(píng)論的方法具有重要的現(xiàn)實(shí)意義。

2 相關(guān)工作

國(guó)內(nèi)外的研究者們?cè)诓┛秃袜]件領(lǐng)域的垃圾評(píng)論方面做了大量工作，取得了一定的成果，但對(duì)于產(chǎn)品虛假評(píng)論的識(shí)別依然困難重重。

文獻(xiàn)[1]首次定義了三種類型的垃圾評(píng)論以及基于產(chǎn)品、評(píng)論內(nèi)容以及評(píng)論者三類評(píng)論特征，建立Logistic回歸模型進(jìn)行識(shí)別。但這種方法對(duì)于虛假評(píng)論識(shí)別效果不佳。文獻(xiàn)[2]開(kāi)發(fā)了第一個(gè)識(shí)別虛假評(píng)論的“黃金”數(shù)據(jù)集，利用文本分類技術(shù)來(lái)對(duì)虛假評(píng)論進(jìn)行識(shí)別。文獻(xiàn)[3]提出通過(guò)用戶所給的評(píng)價(jià)等級(jí)來(lái)識(shí)別垃圾評(píng)論制造者的方法，用計(jì)算機(jī)所得分值進(jìn)行排名，從數(shù)據(jù)集中移除分值較高的評(píng)論者及其評(píng)論。文獻(xiàn)[4]從互聯(lián)網(wǎng)獲取產(chǎn)品評(píng)論集，并進(jìn)行手工標(biāo)注的數(shù)據(jù)集訓(xùn)練分類器來(lái)識(shí)別虛假評(píng)論。以上方法由于人的主觀因素難以確定合適的標(biāo)準(zhǔn)，使數(shù)據(jù)集中存在過(guò)多的錯(cuò)誤標(biāo)注。文獻(xiàn)[5]現(xiàn)利用對(duì)評(píng)論文本進(jìn)行上下文無(wú)關(guān)文法的特征建模有助于提高識(shí)別的正確率。文獻(xiàn)[6]利用F統(tǒng)計(jì)量改進(jìn)K均值算法，在實(shí)現(xiàn)評(píng)論集的自適應(yīng)聚類后計(jì)算每個(gè)簇偏離的程度，從而實(shí)現(xiàn)對(duì)虛假評(píng)論的識(shí)別。

本文創(chuàng)新性地提出采用評(píng)論文本的語(yǔ)言結(jié)構(gòu)和情感極性上的差異來(lái)定義特征，使用隨機(jī)初值的局部搜索法、模擬退火法進(jìn)行特征選擇，然后利用聚類算法來(lái)識(shí)別虛假評(píng)論。

3 數(shù)據(jù)集

當(dāng)前阻礙虛假評(píng)論研究發(fā)展的一個(gè)重要因素是缺少評(píng)估檢測(cè)算法的標(biāo)注數(shù)據(jù)集，為了獲得可靠的已標(biāo)注數(shù)據(jù)集，我們選擇了西安市2家日化店，進(jìn)行人工構(gòu)造，具體構(gòu)造方式如下：

3.1 虛假評(píng)論

虛假評(píng)論是人工無(wú)法直接從評(píng)論集中有效識(shí)別出的，故我們進(jìn)行人工構(gòu)造虛假評(píng)論。在10天內(nèi)，我們要求周邊市民（并未實(shí)際購(gòu)買產(chǎn)品）寫下正面積極、有利于產(chǎn)品售出的評(píng)價(jià)，共收集到300條虛假評(píng)價(jià)。

3.2 真實(shí)評(píng)論

2個(gè)月內(nèi)，我們共獲得437條真實(shí)的用戶評(píng)論。由于評(píng)價(jià)質(zhì)量良莠不齊，我們制定了一些約束條件對(duì)這437條評(píng)論進(jìn)行過(guò)濾處理，與虛假評(píng)論平衡，保持長(zhǎng)度分布一致，最終保留300條真實(shí)評(píng)論。

我們將這300條真實(shí)評(píng)論與300條虛假評(píng)論構(gòu)成本文所需的數(shù)據(jù)集。

4 特征工程

根據(jù)現(xiàn)有對(duì)特征定義和構(gòu)建的方法研究，并結(jié)合用戶語(yǔ)言心理學(xué)知識(shí)、文本的語(yǔ)言結(jié)構(gòu)及情感極性的分析，本文總結(jié)了以下8個(gè)特征。

4.1 特征定義

4.1.1 詞匯量

虛假評(píng)論者會(huì)大肆贊美產(chǎn)品，使評(píng)論冗長(zhǎng)，而真實(shí)評(píng)論言簡(jiǎn)意賅。故詞匯量越大，評(píng)論真實(shí)度越低，由此定義詞匯量為評(píng)論中詞匯的數(shù)量。

4.1.2 修飾度

豐富的詞匯種類可以用來(lái)表達(dá)用戶的情感，虛假評(píng)論者使用的詞匯種類少于真實(shí)評(píng)論者使用的詞匯種類。為了便于統(tǒng)計(jì)，本文定義形容詞與副詞與總詞匯量的比值為修飾度，修飾度越高，真實(shí)性越大。

4.1.3 人稱代詞詞頻

第一人稱代詞可以增加評(píng)論的真實(shí)度以及親切感，在無(wú)親身體驗(yàn)的虛假評(píng)論中，它被更多地使用。本文定義第一人稱代詞數(shù)量占總詞匯量的比值為人稱代詞詞頻。

4.1.4 產(chǎn)品提及度

定義產(chǎn)品提及度為產(chǎn)品各種屬性相關(guān)的詞匯量占總詞匯量的比值。虛假評(píng)論會(huì)更多地提及產(chǎn)品的品牌以及相關(guān)屬性以增加評(píng)論可信度，故產(chǎn)品提及度越高，該評(píng)論為虛假評(píng)論可能性越大。

4.1.5 正面情感

為了強(qiáng)調(diào)產(chǎn)品的正面性，虛假評(píng)論中能表現(xiàn)正面情感的詞匯較多。定義正面詞匯（利用正面情感詞典）數(shù)量占總詞匯數(shù)的比值代表正面情感。

4.1.6 負(fù)面情感

與正面情感相似，虛假評(píng)論者會(huì)為了贊美產(chǎn)品而盡量不使用負(fù)面情感詞匯。定義負(fù)面詞匯（利用負(fù)面情感詞典）數(shù)量占總詞匯數(shù)的比值代表負(fù)面情感。

4.1.7 極端評(píng)分

虛假評(píng)論者會(huì)為了提高產(chǎn)品的正面性而給出極端的評(píng)分（數(shù)據(jù)集中評(píng)分滿分為5分），設(shè)定5分為極端評(píng)分賦值為1，其他評(píng)分為0。

4.1.8 評(píng)分偏差

虛假評(píng)論者缺少真實(shí)的用戶體驗(yàn)，所給出的評(píng)分常與平均評(píng)分有較大偏差，本文認(rèn)為偏差越大，該評(píng)論為虛假評(píng)論的可能性越大。定義評(píng)分偏差為用戶評(píng)分與均值的絕對(duì)值。

4.2 基于啟發(fā)式算法的特征選擇

在機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的實(shí)際應(yīng)用中，特征的數(shù)量往往較多，其中可能存在不相關(guān)的特征，特征之間也可能相互依賴，易導(dǎo)致如下的后果：

特征個(gè)數(shù)過(guò)多，分析特征、訓(xùn)練模型所需時(shí)間過(guò)長(zhǎng)，計(jì)算成本大，容易引起“維度災(zāi)難”，模型也會(huì)相當(dāng)復(fù)雜，推廣能力會(huì)下降。

特征選擇能剔除不相關(guān)或冗余的特征，減少特征個(gè)數(shù)，提高模型精確度，減少運(yùn)行時(shí)間。另一方面，真正相關(guān)的特征簡(jiǎn)化了模型，使得輸入對(duì)系統(tǒng)的響應(yīng)更具實(shí)際意義。

由于解空間維度較高，且對(duì)于每個(gè)解而言所要計(jì)算的目標(biāo)是分類的準(zhǔn)確率，計(jì)算較為復(fù)雜，故本文采用啟發(fā)式算法（隨機(jī)初值的局部搜索法、模擬退火法）來(lái)進(jìn)行特征選擇，并相互驗(yàn)證增加可信度。

4.2.1 隨機(jī)初值的局部搜索法

隨機(jī)初值的局部搜索法從多個(gè)初值出發(fā)，重復(fù)運(yùn)行一個(gè)簡(jiǎn)單的上升算法直到其結(jié)束，所采用的初值隨機(jī)選取。

特征選擇步驟：

（1）編碼：采用n位二進(jìn)制編碼，1表示模型中包含該特征，0則相反。如此，每個(gè)解即為一個(gè)n維向量，θ=（θ1，…，θn）（θi∈{0，1}，i=1…n） 。

（2）隨機(jī)初值的產(chǎn)生：對(duì)于解θ的每個(gè)元素θi使其有1/2的概率為0，1/2的概率為1，據(jù)此，產(chǎn)生5個(gè)隨機(jī)初值。

（3）上升算法的選擇：本文選取最速上升法，即在當(dāng)前解的鄰域中選擇最優(yōu)的解。（解鄰域局限于對(duì)當(dāng)前模型添加或去掉1個(gè)特征的1-變化，即每個(gè)解鄰域含有n個(gè)候選解。）

4.2.2 模擬退火法

特征選擇步驟：

（1）參數(shù)值的初始化，初始時(shí)刻t=0，此時(shí)初始解θ（0）=01100110，溫度τ0=10，共運(yùn)行15個(gè)階段，每個(gè)階段標(biāo)號(hào)為j長(zhǎng)度為mj；

（2）在θ（t）的鄰域Ω（θ（t））內(nèi)，以相同的概率選取候選解θ*（解鄰域局限于對(duì)當(dāng)前模型添加或去掉1個(gè)特征的1-變化，即每個(gè)解鄰域含有n個(gè)候選解）；

（3）以概率

兩個(gè)聚類之間的相似度采用Average-linkage方法計(jì)算：

步驟1：把每個(gè)向量化的評(píng)論各自歸為一個(gè)聚類，計(jì)算每?jī)蓚€(gè)向量之間的相似度。

步驟2：對(duì)所有聚類兩兩計(jì)算相似度，把相似度最高的兩個(gè)聚類合為一個(gè)聚類。

步驟3：新生成的聚類與其他所有聚類計(jì)算相似度。

步驟4：合并相似度最高的兩個(gè)聚類。

步驟5：重復(fù)步驟（3）（4）直到所有評(píng)論被劃分為一個(gè)聚類。

這種聚類方法在分類之前，不用給出最終聚類的個(gè)數(shù)，分類完成后可以根據(jù)需要來(lái)選定聚類個(gè)數(shù)。利用這種方法計(jì)算得出的分類后的評(píng)論集，可以為下一種方法的初始迭代做鋪墊。

5.2 軟聚類

硬聚類把每個(gè)待辨識(shí)的對(duì)象嚴(yán)格地劃分到某類中，而虛假評(píng)論具有隱蔽性，直接為其分配類別標(biāo)簽并不是最好的辦法。我們采用模糊C-均值聚類算法（FCM）來(lái)研究虛假評(píng)論問(wèn)題。

5.2.1 模糊C-均值聚類算法（FCM）

在本文中，C=2，m=2，且初始隸屬矩陣我們按照下面方法給出。

5.2.2 隸屬度函數(shù)設(shè)計(jì)

本文中，根據(jù)前文已得到的特征選擇的結(jié)果來(lái)計(jì)算隸屬度矩陣，初始隸屬度矩陣用下面的隸屬度函數(shù)獲?。?/p>

5.2.3 算法步驟

根據(jù)前文，我們給出具體的算法步驟：

步驟1：根據(jù)隸屬度函數(shù)計(jì)算樣本對(duì)各類的隸屬度μij（0），建立初始隸屬度矩陣U（0）=[μij（0）]。

步驟2：用式（4）計(jì)算各類的聚類中心Ci（L），L為迭代次數(shù)。

步驟3：用式（5）計(jì)算新的隸屬度矩陣U（L+1）。

步驟4：返回步驟2，重復(fù)計(jì)算直到收斂，收斂的條件為：

使用上述方法計(jì)算的結(jié)果仍然是模糊集合，因此我們采用幾個(gè)閾值對(duì)結(jié)果進(jìn)行去模糊化。

6 數(shù)值實(shí)驗(yàn)

6.1 實(shí)驗(yàn)結(jié)果

如表1所示。

6.2 結(jié)果分析

結(jié)果表示，混合使用方法是由層次聚類法和效果最好的FCM方法組成。我們僅通過(guò)層次聚類法就獲得了80.3%的準(zhǔn)確率，調(diào)整參數(shù)和方法混用之后，準(zhǔn)確率有了提高。相較于前人的算法，我們的準(zhǔn)確率較高，說(shuō)明我們的模型在簡(jiǎn)化問(wèn)題方面和數(shù)值計(jì)算方面效果較好。從上表可以得知，當(dāng)m=1.5時(shí)，準(zhǔn)確率最高。以層次聚類法為基礎(chǔ)的FCM法雖然在準(zhǔn)確率上沒(méi)有明顯變化，但是可以為FCM的隨機(jī)初始化設(shè)定一個(gè)標(biāo)桿，以使FCM方法有更好的效果，也便于設(shè)置FCM的終止條件。

7 結(jié)束語(yǔ)

本文基于虛假評(píng)論和真實(shí)評(píng)論在情感極性上的差異，利用啟發(fā)式算法進(jìn)行特征選擇，聚類算法進(jìn)行識(shí)別，驗(yàn)證了算法對(duì)過(guò)濾虛假評(píng)論的有效性。但該方法主要針對(duì)產(chǎn)品中的虛假評(píng)論，今后的工作可以提取更具普適性的特征，使模型可應(yīng)用于微博評(píng)論等領(lǐng)域。

參考文獻(xiàn)

[1]N.Jindal and B.Liu.Opinion spam and analysis.Proceedings of the 2008 WSDM.California， USA 2008：219-229.

[2]Ott M，Choi Y，Caridie C，et al. Finding deceptive opinion spam by any stretch of the imagination. Proceedings of the 49th Annual Meeting of the Association for Computa-tional Linguistics：Human Language Technologies （HLT 11），Portland，USA， Jun 19-24，2011.Stroudsburg，PA，USA： ACL，2011：309-319.

[3]N.Jindal and B.Liu，H.W.Lauw，et al.Detecting product review spammers using rating behaviors. In Proceedings of the 19th ACM International Conference on Information and Knowledge Management （CIKM10）.Ontario，Canada，2010：938-949.

[4]Li Fangtao，Huang Minlie，Yang Yi，et al.Learning to identify review spam. Proceedings of the 22nd International Joint Conference on Artificial Intelligence （IJCAI 11），Bar-celona， Spain， Jul 16-22，2011.Palo Alto， CA，USA：AAAI，2011：2488-2493.

[5]Feng Song，Banerjee R，Choi Y. Syntactic stylometry for deception detection.Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics （ACL 12），Jeju Island， Korea，Jul 8-14， 2012.Stroudsburg，PA，USA：ACL，2012： 171-175.

[6]Song Haixia，Yan Xin，Yu Zhengtao，et al.Detection of fake reviews based on adaptive clustering.Journal of NanjingUniversity：Natural Sciences，2013，49（04）：38-43.

[7]S.G.Zhou，J.H.Guan.Chinese documents classification based on N-grams. Proceedings of the 3 Annual Conference on Intelligent Text Processing and Computational Linguistics （CICLing-02）.Melbourne， Australia，2002：405-414.

[8]J.M.Ponte，W.B.Croft.A language modeling approach to information retrieval.Proceedings of the 21 International ACM SIGIR Conference on Research and Development in Information Retrieval.New York，USA，1998：275-281.

[9]李培.產(chǎn)品評(píng)論挖掘的觀點(diǎn)抽取和分類技術(shù)研究[D].重慶：重慶大學(xué)，2009：13-16.

[10]譚文堂，朱洪，葛斌，等.垃圾評(píng)論自動(dòng)過(guò)濾方法[J].國(guó)防科技大學(xué)學(xué)報(bào)，2012（05）：153-157.

[11]李霄，丁晟春.垃圾商品評(píng)論信息的識(shí)別研究[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2013（01）：63-68.

作者單位

西北工業(yè)大學(xué) 陜西省西安市 710129