Fake consumer review detection using deep neural networks integrating word embeddings and emotion mining

Show simple item record

dc.contributor.author Hájek, Petr cze
dc.contributor.author Barushka, Aliaksandr cze
dc.contributor.author Munk, Michal cze
dc.date.accessioned 2021-05-15T18:54:50Z
dc.date.available 2021-05-15T18:54:50Z
dc.date.issued 2020 eng
dc.identifier.issn 0941-0643 eng
dc.identifier.uri https://hdl.handle.net/10195/77434
dc.description.abstract Fake consumer review detection has attracted much interest in recent years owing to the increasing number of Internet purchases. Existing approaches to detect fake consumer reviews use the review content, product and reviewer information and other features to detect fake reviews. However, as shown in recent studies, the semantic meaning of reviews might be particularly important for text classification. In addition, the emotions hidden in the reviews may represent another potential indicator of fake content. To improve the performance of fake review detection, here we propose two neural network models that integrate traditional bag-of-words as well as the word context and consumer emotions. Specifically, the models learn document-level representation by using three sets of features: (1) n-grams, (2) word embeddings and (3) various lexicon-based emotion indicators. Such a high-dimensional feature representation is used to classify fake reviews into four domains. To demonstrate the effectiveness of the presented detection systems, we compare their classification performance with several state-of-the-art methods for fake review detection. The proposed systems perform well on all datasets, irrespective of their sentiment polarity and product category. eng
dc.format p. 17259-17274 eng
dc.language.iso eng eng
dc.publisher Springer eng
dc.relation.ispartof Neural Computing and Applications, volume 32, issue: 23 eng
dc.rights Práce není přístupná eng
dc.subject Neural network eng
dc.subject Deep learning eng
dc.subject Fake review eng
dc.subject Review spam eng
dc.subject Word embedding eng
dc.subject Emotion eng
dc.title Fake consumer review detection using deep neural networks integrating word embeddings and emotion mining eng
dc.title.alternative Detekce falešných recenzí spotřebitelů pomocí hlubokých neuronových sítích integrující slovní vnoření a dolování emocí cze
dc.type article eng
dc.description.abstract-translated Detekce falešných recenzí spotřebitelů v posledních letech vzbudila velký zájem kvůli rostoucímu počtu nákupů na internetu. Stávající přístupy k odhalování falešných recenzí spotřebitelů používají k odhalování falešných recenzí obsah, informace o produktech a recenzentech a další indikátory. Jak však ukazují nedávné studie, sémantický význam recenzí může být pro klasifikaci textu zvláště důležitý. Emoce skryté v recenzích mohou navíc představovat další potenciální indikátor falešného obsahu. Abychom zlepšili výkon detekce falešných recenzí, navrhujeme zde dva modely neuronových sítí, které integrují tradiční slovní spojení, stejně jako kontext slov a emoce spotřebitele. Konkrétně se modely učí reprezentaci na úrovni dokumentu pomocí tří skupin parametrů: (1) n-gramy, (2) vnoření slov a (3) různé ukazatele emocí založené na slovnících. Taková vysoce dimenzionální reprezentace atributů se používá ke klasifikaci falešných recenzí do čtyř domén. Abychom prokázali účinnost prezentovaných detekčních systémů, porovnáme jejich klasifikační výkon s několika nejmodernějšími metodami detekce falešných recenzí. Navrhované systémy fungují dobře u všech datových souborů, bez ohledu na jejich polaritu sentimentu a kategorii produktů. cze
dc.peerreviewed yes eng
dc.publicationstatus postprint eng
dc.identifier.doi 10.1007/s00521-020-04757-2 eng
dc.relation.publisherversion https://link.springer.com/article/10.1007/s00521-020-04757-2 eng
dc.project.ID GA19-15498S/Modelování emocí ve verbální a neverbální manažerské komunikaci pro predikci podnikových finančních rizik eng
dc.identifier.wos 000510362100001 eng
dc.identifier.obd 39885174 eng


This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account