基于方面级情感感知的评论文本关系挖掘模型ALSAMIR在虚假评论检测中的创新应用

本文提出了一种新型虚假评论检测方法ALSAMIR（Aspect-Level Sentiment-Aware Mining of Inter-Review relations），通过构建方面级情感感知图（GCN）、图卷积网络和注意力机制，有效捕捉评论间细粒度情感关联，结合图采样技术解决数据不平衡问题，在Yelp等数据集上AUC提升最高达7.11%，为电商平台虚假评论治理提供新思路。

　　

Highlight

本研究突破传统虚假评论检测方法局限，创新性地提出ALSAMIR模型：通过挖掘评论文本中"价格"、"服务"等特定方面的情感一致性（如虚假评论往往在"配送"方面呈现异常统一的情感倾向），构建动态关系图谱。该模型包含四大核心技术模块——(1) 方面级情感图谱自动捕捉可疑评论集群；(2) 基于图结构的过采样技术平衡数据集；(3) 图卷积网络(GCN)聚合高阶语义特征；(4) 注意力机制动态加权关键特征。实验证明，在酒店和餐厅评论数据中，该模型能精准识别如"过度一致的情感表达"等隐蔽的虚假评论特征。

Conclusion

尽管ALSAMIR在多项指标上超越现有基线模型（如YelpZip数据集AUC提升3.36%），我们仍发现其存在依赖预定义方面词、计算复杂度较高等局限性。未来将通过自适应方面提取和轻量化架构设计进一步优化，为电商平台构建更智能的虚假评论防御系统。