[发明专利]LBSN中一种基于多维属性挖掘的虚假评论可疑地点检测方法

摘要

本发明公开了LBSN中一种基于多维属性挖掘的虚假评论可疑地点检测方法，其步骤为：首先对存在虚假评论活动的可疑地点进行标注；其次基于LBSN的地点评分、时空属性和地点评论的文本内容，针对地点的整体评论异常与地点间恶意竞争的关系，进行异常特征的提取；采用逻辑斯蒂回归机器学习方法进行训练学习，获得每个地点的异常程度与两个地点之间的竞争程度；然后基于地点与地点间竞争关系构建马尔科夫随机场检测模型，将地点和地点间竞争关系的异常特征与LBSN网络拓扑相融合；基于检测模型，计算任意地点为可疑地点的概率；最终标注地点是否为存在虚假评论活动的可疑地点。该检测方法大幅提高了检测虚假评论活动的可疑地点的准确率。

主权项

LBSN中一种基于多维属性挖掘的虚假评论可疑地点检测方法，其特征在于，利用LBSN中地点的异常特征与地点间的竞争关系进行虚假评论可疑地点检测过程，包括如下步骤：1)根据LBSN中已被过滤的评论信息，人工识别虚假评论活动，标注存在虚假评论活动的可疑地点以及无虚假评论行为的可信地点，并划分训练集与测试集；2)针对存在虚假评论活动的地点进行分析，基于LBSN的地点评分、时空属性和地点评论的文本内容提取地点整体评论的异常特征，构造地点的异常特征集；3)针对地点间的竞争性进行分析，基于LBSN的多种维度提取两地点间的恶意竞争关系的异常特征，构造地点间竞争关系的异常特征集；4)将步骤2)与步骤3)得到的特征向量采用逻辑斯蒂回归机器学习方法进行训练学习，获得每个地点的可疑程度εl与两个地点之间的竞争程度εc；5)基于LBSN构建马尔科夫随机场检测模型，包含节点与边，其中节点表示地点，边表示地点间竞争关系。所述节点包含两种类别：可疑地点与可信地点，在不同类别下设置节点属于各类别的先验概率，通过步骤4中地点的可疑程度获得；所述边包含边连接的两节点在不同类别下的关联程度分布矩阵，关联程度通过步骤4中两地点间竞争程度获得；6)根据步骤5)得到的检测模型，对于节点vi到节点vj设置信息值并基于模型将信息值迭代传播，最终对每个节点vi生成置信度表示节点vi属于类别σi的可信度，作为节点vi属于类别σi的边缘概率；7)根据步骤6)获得的节点置信度，最终对地点是否为存在虚假评论活动的可疑地点进行标注。