基于三轴句法融合的稀疏三元组重叠关系抽取增强方法

本文提出ALSAMIR（Aspect-Level Sentiment-Aware Mining of Inter-Review relations）模型，创新性地通过细粒度情感分析构建评论关系图（GCN），结合图采样技术和注意力机制，有效解决虚假评论检测中的语义关系建模与类别不平衡问题。该模型在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

本研究突破性地开发了ALSAMIR系统，通过四大创新模块实现虚假评论精准捕获：1）基于细粒度情感特征的图谱构建技术，捕捉评论间微妙的情感关联模式；2）首创的图神经网络(Graph Neural Network)过采样方案，有效缓解数据倾斜问题；3）融合图卷积网络(GCN)的语义聚合引擎；4）动态注意力机制，智能识别高阶非线性特征。实验证明其在YelpZip数据集上AUC指标显著提升7.11%。

Introduction

数字时代背景下，亚马逊、天猫等平台的在线评论深刻影响消费者决策。传统机器学习方法（如SVM、决策树）已难以应对日益复杂的虚假评论模式。例如，在Yelp Chi数据集中，两条语义相似的酒店评论（"Sutton Place酒店服务卓越" vs "地理位置优越的小型酒店"）仅通过文本特征难以辨别真伪。最新研究表明，基于图神经网络(GNN)的方法能有效捕捉评论者-产品-评论间的复杂网络关系，但现有研究多忽略评论间语义关联这一关键维度。

Methodology

如图2所示，ALSAMIR采用五阶段架构：1）通过方面情感分析构建异构图谱；2）应用基于图的过采样技术平衡数据分布；3）采用多层GCN学习评论嵌入表示；4）动态注意力机制计算特征权重；5）最终通过分类器实现预测。特别设计的方面情感图谱能识别异常行为模式，如多个评论对"配送"、"价格"等维度呈现不自然的情绪一致性。

Experiments and Evaluation

在Hotels、Restaurants等四个公开数据集上的测试显示，ALSAMIR各项指标全面领先：YelpZip数据集AUC提升7.11%，Recall提高3.01%。消融实验证实，方面情感图谱和过采样模块分别贡献了32.4%和18.7%的性能增益。

Conclusion

ALSAMIR通过创新性地挖掘评论间细粒度情感关联，结合图神经网络优势，为虚假评论检测提供了新范式。未来工作将探索自动化方面提取技术，以进一步提升模型适用性。