Fusion Convolutional Attention Network for Opinion Spam Detection(ICONIP 2019)
contribution：
- 本文设计了一个层次化网络来自动学习语义表达和用户信息。不需要手动设计特征并且不受数据集限制
- 本文提出了融合注意力集之来融合user-word和user-sentence特征
- 实验表明本方法在四个数据集上取得了较大的提升
模型：
D：review dataset
U:user’s meta datas
分类函数：
3.1user representation
3.2text representation
作者将每个文档分成L个句子，每个句子包含T个词。首先使用卷积核
一个句子得到的表达为：
然后用m个filter得到多个feature vectors
3.3word-user fusion attention layer
为了在word level学习user-aware的文本表达，作者提出word-user fusion attention来把用户信息结合到word-level的向量
是T-h+1份user representation的copy。$W_e \in R^{m \times m}，W_u \in R^{m \times m} $是权重矩阵，然后我们得到了user-ware的word representation Z ∈ R ( T − h + 1 ) × m Z \in R^{(T-h+1) \times m} Z∈R(T−h+1)×m.
从用户的角度来看，不是所有的单词对于用户的偏好反应都是相等的，因为用attention layer来捕捉不同词的重要程度。
where W z ∈ R m × n W_z \in R^{m \times n} Wz∈Rm×n, V ∈ R ( T − h + 1 ) × n V \in R^{(T-h+1) \times n} V∈R(T−h+1)×n是学习的参数， v w ∈ R n × 1 v_w \in R^{n \times 1} vw∈Rn×1是一个context vector。训练过程中这个词向量的初始化是随机的并且是同时学习的。最后得到句子向量 s ( h ) ∈ R m s^{(h)} \in R^m s(h)∈Rm是不同word representation的加权表达
CNN重我们设置卷积核大小
h
∈
3
,
4
,
5
h \in {3,4,5}
h∈3,4,5，因此得到
,where
s
∈
R
3
m
s \in R^{3m}
s∈R3m
3.4 sentence-user fusion attention layer
经过句子编码之后，文档矩阵可以被表示为
为了加强用户信息的影响，sentence-aware fusion attention用于抓取user-aware的重要句子并通过加权求和得到文档表达。
是权重矩阵，
M
∈
R
L
×
m
M \in R^{L \times m}
M∈RL×m是S的hidden representation,
v
∈
R
m
×
1
v \in R^{m \times1}
v∈Rm×1是context vector
3.5 spam classification
loss function
overall loss function
4.实验
数据集介绍：
与baseline对比
ablation study
1049
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
