[发明专利]一种基于子图挖掘的信用炒作与恶意评价识别方法

摘要

本发明提供了一种基于子图挖掘的信用炒作与恶意评价识别方法，其特征在于，包括以下步骤：将对商品的评价划分为好评及差评；建立每个商品的半二类网络；对半二类网络进行分析。本发明基于在线商品评价，能够在海量评价数据集中，基于商品间的特定联系构建半二分类网络，并通过网络统计分析与子图挖掘实现信用炒作与恶意评价的识别。此方案对于规范电商平台的正常运营、促进商品公平竞争、为消费者提供正确的购物指引等都具有实践意义与应用价值。

主权项

1.一种基于子图挖掘的信用炒作与恶意评价识别方法，其特征在于，包括以下步骤：第一步、将对商品的评价划分为好评G及差评B，第r位评价者对第i个商品的好评为EirG，第r位评价者对第i个商品的差评为EirB，将EirG与EirB分别赋值为不同的常数；获得每个商品的同源商品、同类商品及互补商品；第二步、建立所有评价者与商品的半二类网络，包括评价者节点及商品节点，依据评价者对同源商品、同类商品及互补商品的好评G及差评B，建立评价者节点及商品节点之间的连接；第三步、对半二类网络进行分析，获得：第i个商品的期望评价Ei，Ei＝k∑rEirG+(1‑k)∑rEirB，k为好评的权重；第i个商品的好评差评比Ri；第r位评价者的总体期望评价Er，Er＝k∑iEirG+(1‑k)∑iEirB；第r位评价者的好评差评比Rr；第r位评价者对第i个商品的重复评价次数为Cire，若：1)给定第i个商品及其期望评价Ei，若第r位评价者给出评价e满足||Ei‑e||＞θi，θi为预先设定的阈值，则将第r位评价者判定为疑似不合理评价者；2)给定第r位评价者及其对第i个商品的评价e，若Cire＞θir，θir为预先设定的阈值，则将为第r位评价者判定为疑似不合理评价者；3)给定第r位评价者及其好评差评比Rr，若Rr＞θr，θr为预先设定的阈值，则将为第r位评价者判定为疑似信用炒作者；4)给定第r位评价者及其好评差评比Rr，若1/Rr＞1/θr，θr为预先设定的阈值，则将为第r位评价者判定为疑似恶意评价者；第四步、子图挖掘1)对于判定为疑似信用炒作者的评价者，统计与该评价者有关的所有LGS型子图，LGS型子图为评价者节点对商品节点中当前商品及同源商品均作出好评G的L形连接关系的子图，若疑似信用炒作者评价过的商品的数量大于2，且其LGS型子图的个数大于θL时，θL为预先设定的阈值，将疑似信用炒作者判断为信用炒作者；2)对于判定为疑似恶意评价者的评价者，统计与该评价者有关的所有LBA型子图，LBA型子图为评价者节点对商品节点中当前商品及同类商品均作出差评B的L形连接关系的子图，若疑似恶意评价者评价过的商品的数量大于2，且其LBA型子图的个数大于θL时，将疑似恶意评价者判断为恶意评价者；3)对于判定为疑似不合理评价者的评价者，统计与该评价者有关的LGC型子图，LGC型子图为评价者节点对商品节点中同类商品及互补商品均作出好评G的L形连接关系的子图，若疑似不合理评价者评价过的商品的数量大于2，且其LGC型子图的个数大于θL时，将疑似不合理评价者判断为不合理评价者；4)对于任意评价者，统计与该评价者有关的所有ΔGGS型子图，ΔGGS型子图为两个具有同源关系的商品同时被同一个评价者节点给予好评G的三角形子图，若ΔGGS型子图的个数大于θΔ时，θΔ为预先设定的阈值，将当前评价者判定为信用炒作者；5)对于任意评价者，统计与该评价者有关的所有ΔBBA型子图，ΔBBA型子图为两个具有同类关系的商品同时被同一个评价者节点给予差评B的三角形子图，若ΔBBA型子图的个数大于θΔ时，将当前评价者判定为恶意评价者；6)对于任意评价者，统计与该评价者有关的所有ΔGBA型子图，ΔGBA型子图为两个具有同类关系的商品同时被同一个评价者节点评价，其中一个为好评G，另外一个为差评B的三角形子图，若ΔGBA型子图的个数大于θΔ时，将当前评价者判定为信用炒作者兼恶意评价者。