[发明专利]一种基于关系的垃圾评论检测方法

权利要求书

1.一种基于关系的垃圾评论检测方法，其特征在于该方法主要分为以下步骤：

步骤1）计算评论的诚实度分数：

步骤1.1）输入评论集合信息：

步骤1.2）获取所有评论的评分值和评论时间；

步骤1.3）计算评分的平均值和最早评论时间；

步骤1.4）获取一个评论信息；

步骤1.5）判断评论信息是否为空，如果不为空，则转步骤1.6），否则，转步骤1.10）；

步骤1.6）计算评论诚实度分数：

步骤1.6.1）获取该评论的评分值；

步骤1.6.2）根据步骤1.3）的平均值，计算评分差；

步骤1.6.3）获取该评论的评论时间；

步骤1.6.4）根据步骤1.3）的最早评论时间，计算评论时间差；

步骤1.6.5）获取该评论的评论文本；

步骤1.6.6）根据余弦定理，计算评论文本的文本相似度；

步骤1.6.7）根据步骤1.6.2）的评分差IRD、步骤1.6.4）的时间差IETF、步骤1.6.6）的相似度ICS，计算评论的诚实度分数A：

A＝β₁IRD+β₂ICS+β₃IETF    (1)

其中β₁，β₂，β₃为常量，且满足β₁+β₂+β₃＝1；

步骤1.7）更新评论的诚实度属性；

步骤1.8）获取下一个评论信息；

步骤1.9）判断该评论信息是否为空，若为空，转步骤1.10），否则，转步骤1.2）；

步骤1.10）输出评论诚实度分数；

步骤2）计算店家可靠度：

步骤2.1）设置变量h=1;

步骤2.2）获取第h个店家信息；

步骤2.3）判断店家是否为空，若不为空，转步骤2.4），否则，转步骤2.8）；

步骤2.4）计算店家的可靠度分数：

步骤2.4.1）获取该店家的商品相符度、卖方服务、商品服务、商品价格、货物配送的量化信息；

步骤2.4.2）计算“S”型得分：

S(x)=αx-β3+γ,x≥00,x<0---(2)]]>

其中α、β、λ均为常量，x是店家的量化信息；

步骤2.4.3）生成评分的权值向量；

步骤2.4.4）步骤2.4.2）中的“S”型得分乘以权值向量，获得可靠度分数；

步骤2.5）更新店家的可靠度属性；

步骤2.6）h=h+1，转步骤2.2）；

步骤2.8）输出店家的可靠度分数；

步骤3）计算评论者的可信度：

步骤3.1）获取所有评论者信息；

步骤3.2）获取一条评论者信息；

步骤3.3）判断评论者信息是否为空，若不为空，转步骤3.4），否则，转步骤3.8）；

步骤3.4）计算评论者的可信度分数：

步骤3.4.1）获取该评论者的交易金额，信用度信息；

步骤3.4.2）获得对应的评分值；

步骤3.4.3）生成评分值的权重向量；

步骤3.4.4）步骤3.4.2）的评分值乘以权重向量，获得评论者的可信度分数；

步骤3.5）更新评论者的可信度属性；

步骤3.6）获取下一个评论者信息，转步骤3.3）；

步骤3.8）输出评论者的可信度分数；

步骤4）初始化迭代次数为0；

步骤5）更新评论的诚实度分数；

步骤5.1）获取关系模型：

H(r)=R(s)(21+eT(r)-1)---(3)]]>

其中，R(s)为店家s的可靠度分数，T(r)为评论者r的可信度分数；

步骤5.2）计算评论的诚实度分数：

步骤5.2.1）获取发表该评论的评论者的可信度分数；

步骤5.2.2）获取评论所评论的店家的可靠度分数；

步骤5.3.3）根据步骤5.1）的模型计算诚实度分数；

步骤5.4）更新评论的诚实度属性信息；

步骤5.5）输出更新后的评论的诚实度分数；

步骤6）更新评论者的可信度分数：

步骤6.1）获取关系模型：

T(r)=21+eH(r)-1---(4)]]>

其中，H(r)为评论r的诚实度分数；

步骤6.2）计算评论者的可信度分数：

步骤6.2.1）获得该评论者所发表的所有评论的诚实度；

步骤6.2.2）根据步骤6.1）的模型计算评论者的可信度分数；

步骤6.3）更新评论者的可信度属性信息；

步骤6.4）输出更新后的评论者的可信度分数；

步骤7）更新店家的可靠度分数：

步骤7.1）获取关系模型：

R(s)=21+e-θ-1---(5)]]>

θ=Σv∈Us,T(kv)>0T(kv)(Ψv-μ)---(6)]]>

其中，T(k_v)是发表评论v的评论者k_v的可信度，Ψ_v是评论v的评分，μ是系统评论的平均值；

步骤7.2）计算店家的可靠度分数：

步骤7.2.1）获取该店家的评论者的可信度分数；

步骤7.2.2）获取评论者的所有评论的评分；

步骤7.2.3）根据步骤7.1）的模型计算店家的可靠度分数；

步骤7.3）更新店家的可靠度属性；

步骤8）迭代次数加1；

步骤9）判断迭代次数是否小于5，若是，转步骤5），否则，转步骤10）；

步骤10）输出店家的可靠度分数、评论的诚实度分数、评论者的可信度分数；

步骤11）输出检测结果：正常评论、垃圾评论；正常评论者、垃圾评论者。