基于聚类微调的在线商品虚假评论识别

摘要

虚假评论影响在线消费者的购买决策，如何高效识别虚假评论是当前电子商务发展中亟待解决的问题。传统虚假评论识别方法容易受到评论文本风格、句法词法和上下文差异的影响，准确性偏低；大语言模型（LLM）虽然可以解决这一问题，但训练过程往往耗费机时过长。为此，提出一种新的基于聚类微调的在线商品虚假评论识别方法（CF-DRI）。该方法通过筛选聚类评论样本来微调LLM的预训练知识，以显著提升LLM识别虚假评论的训练效率。相较于传统方法，CF-DRI方法在微调样本数量较少的情况下即可表现出优异的识别性能。基于Yelp. com数据集的实验结果表明：CF-DRI方法仅利用20%的聚类样本，即可实现92.29%的虚假评论识别精确率和90.03%的识别召回率。

关键词

虚假评论识别 / 大语言模型 / 微调 / 聚类

基金资助

国家自然科学基金（72174018,71932002）; 北京市自然科学基金（9222001,9244021）; 北京市教育委员会（SZ2021110005001）资助