[发明专利]一种基于关系的垃圾评论检测方法

摘要

利用基于关系的垃圾评论检测方法，是一种基于网购的评论者，评论以及店家的关系特征的检测方法。提出了评论者的可信度，评论的诚实度以及店家的可靠度的概念，并引出了三者相互关系：评论者所写的评论的诚实度越高，他的可信度就越高；店家拥有的来自可信的评论者的诚实评论越多，他的可靠度就越高；评论被其他诚实评论支持的个数越多，他的诚实度就越高。第一次提出这样的迭代关系，并将其应用到实际的检测工作中。利用关系特征建模，并将这个模型和三者的其他特征所得到的模型相结合，得到改进后的用于垃圾评论检测的模型。

主权项

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 ) = α x - β 3 + γ , x ≥ 0 0 , 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 ) ( 2 1 + e T ( 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 ) = 2 1 + e H ( 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 ) = 2 1 + e - θ - 1 - - - ( 5 ) θ = Σ v ∈ U s , T ( k v ) > 0 T ( k v ) ( Ψ v - μ ) - - - ( 6 ) 其中，T(kv)是发表评论v的评论者kv的可信度，Ψv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。