Collective Opinion Spam Detection: Bridging Review Networks and Metadata（2015KDD）

论文Collective Opinion Spam Detection: Bridging Review Networks and Metadata（2015KDD）

目标：检测水军和虚假评论

contributions:

1. 提出SPEAGLE框架来做opinion spam，这个框架结合了relational data和元数据(metadata)，即结合了图、行为和文本
2. 论文中图由user-review-product图构成，三种类型的结点都有标签，user：水军与否，review：虚假与否，product:为被攻击目标与否。论文用图来做分类，用metadata来估计有关节点的类分布的先验知识。（我不把review放在中间的原因是目前还没在数据集里发现完全相同的review可以连接多个product,因此就不存在PRP路径）
3. SPEAGLE是完全无监督的学习方法，如果有少部分标签，也可以转换为半监督学习（SPEAGLE+）
4. 探究了我们提出的特征的有效性，设计出轻量级算法SPLITE（SPEAGLE-LIGHT），只用少量的特征

方法

fraudeagle

首先介绍作者前一篇论文提出的FRAUDEAGLE框架

该方法构建user-product二部图$G=(V,E^{\pm })$表示N个用户节点$U=u_1,...,u_N$和M个商品结点$P=p_1,...,P_M$

边$(u_i,p_j,s)\in E^{}$