Resumen

Con el rápido crecimiento de las reseñas de productos en línea, muchos usuarios consultan las opiniones de otros antes de decidir comprar cualquier producto. Sin embargo, desafortunadamente, este hecho ha promovido el uso constante de reseñas falsas, lo que resulta en muchas decisiones de compra equivocadas. La identificación efectiva de reseñas engañosas se convierte en una tarea crucial pero desafiante en este campo de investigación. Los métodos de aprendizaje supervisado existentes requieren un gran número de ejemplos etiquetados de opiniones engañosas y veraces por parte de expertos en el dominio, mientras que los métodos de aprendizaje no supervisado disponibles son ineficientes porque dependen de las características de los revisores para detectar cada reseña falsa. Por lo tanto, centrándonos en el problema de eficiencia de detección y la limitación de la dependencia de una gran cantidad de ejemplos etiquetados, en este artículo propusimos un enfoque efectivo de aprendizaje semisupervisado para detectar reseñas spam. En primer lugar

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Crecimiento; Reseñas de productos en línea; Reseñas falsas; Métodos de aprendizaje supervisado; Métodos de aprendizaje no supervisado; Enfoque de aprendizaje semisupervisado
• Keywords:Growth; Online product reviews; Fake reviews; Supervised learning methods; Unsupervised learning methods; Semisupervised learning approach