تشخيص نظرات تقلبي با استفاده از شبكه هاي عصبي ژرف

كارشناسي ارشد

به كمك اينترنت و دسترسي آسان به آن، خريداران مي‌توانند نظرات و تجربيات ساير افراد در شبكه‌هاي اجتماعي و فروشگاه‌هاي برخط را مطالعه كنند و با اطمينان و اطلاعات بيشتري در مورد خريد يا عدم خريد يك محصول تصميم‌گيري نمايند. همين ويژگي كه امكان ثبت نظر و تحليل محصولات را براي همه فراهم كرده، يك تهديد بالقوه محسوب مي‌شود؛ به اين دليل كه افراد متقلب مي‌توانند به راحتي با ثبت نظرات تقلبي و خلاف واقع، مشتري‌ها را به سمت خريد محصولاتي كه مدنظرشان است سوق دهند. تا به امروز پژوهش‌هاي بسياري براي تشخيص اين نظرات تقلبي با استفاده از گراف ارتباطي بين كاربران و محصولات، محاسبه ميزان انحراف زماني و امتيازي كاربران در نظردهي و استفاده از متن نظرات انجام شده، اما بسياري از آن‌ها روي مجموعه‌داده‌هاي ساختگي و مصنوعي اعمال شده‌اند و از طرفي بخش بزرگي از كارهاي گذشته روي استخراج و مهندسي ويژگي‌ها انجام شده تا با انتخاب ويژگي‌هاي مناسب‌تر، دقت را افزايش دهند كه اين امر كاري طاقت‌فرسا و نيازمند دانش تخصصي در شناخت رفتار كاربر است كه تاكنون نيز دقت لازم را نداشته است. در اين پژوهش، از شبكه‌هاي عصبي بازگشتي براي تشخيص كاربران متقلب استفاده مي‌كنيم. مجموعه‌داده نظراتي را كه براي برنامه‌هاي منتشر شده روي فروشگاه برخط كافه‌بازار ثبت شده‌اند، در قالب سري‌هاي زماني چند متغيره مدل مي‌كنيم و سپس از ساختاري به نام رمز كننده خودكار حافظه طولاني كوتاه-مدت كه يك شبكه عصبي دو بخشي است براي تشخيص بازه‌هاي زماني‌اي كه در آن‌ها تقلب انجام شده استفاده مي‌كنيم. در نهايت با تركيب خروجي شبكه عصبي با يكي از مدل‌هاي يادگيري تكرار شونده كه مبتني بر گراف ارتباطي بين كاربران و محصولات است، نشان مي‌دهيم كه دقت از ۷۳ درصد به ۹۹ درصد افزايش مي‌يابد و وابستگي مدل به پارامتر‌هاي يادگيري تكرار شونده را كه در روش‌هاي بي‌ناظر به صورت دستي و تجربي تعيين مي‌شدند به مقدار زيادي كاهش مي‌دهيم.

190700

دانشگاه علم و صنعت ايران

هوش مصنوعي و رباتيك

دكتر محمدرضا جاهد مطلق