Resumen

En la actualidad, las reseñas de productos en línea han estado en el centro del proceso de evaluación de productos para una empresa y sus clientes. Proporcionan retroalimentación a una empresa sobre cómo mejorar la calidad del producto, planificar y monitorear sus esquemas comerciales para aumentar las ventas y obtener más beneficios. También son útiles para que los clientes seleccionen los productos correctos con menos esfuerzo y tiempo. La mayoría de las empresas hacen reseñas falsas de productos para aumentar las ventas y obtener más beneficios. Detectar reseñas falsas de productos es un problema desafiante en el procesamiento del lenguaje natural (NLP). Numerosos enfoques de aprendizaje automático han intentado detectar y clasificar las reseñas de productos como spam o no spam. Sin embargo, para mejorar la precisión de la clasificación, este estudio ha introducido un modelo de aprendizaje automático de conjunto que combina predicciones de perceptrón multicapa (MLP), vecino más cercano (KNN) y bosque aleatorio (RF) y predice el resultado de la reseña como spam o real (

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Reseñas de productos; Detección de spam; Aprendizaje automático; Modelo de conjunto; Precisión de clasificación; Enfoques de impulso de referencia
• Keywords:Product reviews; Spam detection; Machine learning; Ensemble model; Classification accuracy; Benchmark boosting approaches