Resumen

Con el crecimiento del comercio electrónico, cada vez más gente compra productos por Internet. Para aumentar la satisfacción del cliente, los comerciantes ofrecen espacios para reseñas de productos y servicios. Los productos con reseñas positivas atraen clientes, mientras que los productos con reseñas negativas los pierden. Siguiendo esta idea, algunas personas y empresas escriben reseñas falsas para promocionar sus productos y servicios o difamar a sus competidores. La dificultad para encontrar estas reseñas radica en la gran cantidad de información disponible. Una solución es utilizar técnicas y herramientas de minería de datos, como la función de clasificación. Explorando esta situación, el presente trabajo evalúa técnicas de clasificación para identificar reseñas falsas sobre productos y servicios en Internet. La investigación también presenta una revisión sistemática de la literatura sobre reseñas falsas. La investigación utilizó 8 algoritmos de clasificación. Los algoritmos se entrenaron y probaron con una base de datos de hoteles. El algoritmo CONCENSO presentó el mejor resultado, con un 88% en el indicador de precisión. Tras la primera prueba, los algoritmos clasificaron reseñas en otra base de datos de hoteles. Para comparar los resultados de esta nueva clasificación, se utilizó el algoritmo Review Skeptic. Los algoritmos SVM y GLMNET presentaron la mayor convergencia con el algoritmo Review Skeptic, clasificando el 83% de las críticas con el mismo resultado. La investigación contribuye al demostrar la capacidad de los algoritmos para comprender las reseñas reales de los consumidores a productos y servicios en Internet. Otra contribución es ser pionero en la investigación de reseñas falsas en Brasil y en la ingeniería de producción.

1. INTRODUCCIÓN

​With the e-commerce growth, more people are buying products over the internet. To increase customer satisfaction, merchants provide spaces for consumers to comment about the products and services they buy. With the largest number of customers using the internet, the amount of reviews that products receive grows (Hu & Liu, 2004). American Express affirms that 58% of users who read reviews on the Internet trust more on the product or service if there are positive reviews (Column Five, 2014). Products with more positive reviews attract customers, while products with negative reviews lose customers (Xie et al., 2012). Faced with this fact, some individuals and corporations write fake reviews (spam review, opinion spam) to promote their products and services or defame their competitors. Fake reviews make social media sources of lie and control information to mobilize people against a target (Liu, 2012).

• Materias:Precios de bienes y servicios Minería de datos Flujo de información Difusión de información Análisis de datos
• Subjects:Precios de bienes y servicios Data mining Information flow Information dissemination data analysis
• Palabras claves:Reseñas falsas; Clasificación de texto; Descubrimiento de conocimiento en bases de datos; Minería de texto
• Keywords:Fake reviews; Text classification; Knowledge discovery in databases; Text mining