GEMS：利用气体增强技术辅助海洋搜索，以优化用于虚假评论分类的Fusion Mamba-Attention网络 作者：Sharon Roji Priya C.、Deepalakshmi Perumalsamy 和 Rajermani Thinakaran

《Future Internet》：GEMS: Gas-Enhanced Marine Search for Optimizing Fusion Mamba-Attention Networks for Fake Review Classification Sharon Roji Priya C., Deepalakshmi Perumalsamy and Rajermani Thinakaran

　　

摘要

随着虚假评论的增多，电子商务网站的信任度面临严重挑战。传统的机器学习方法难以捕捉到区分真实评论和虚假评论的细微语言差异。在这项研究中，我们提出了一种新的混合元启发式算法，用于优化Fusion Mamba-Attention Network（FMA-Net）以检测虚假评论，该方法被称为GEMS（Gas-Enhanced Marine Search）。GEMS结合了Enhanced Marine Predators算法的探索能力与Henry Gas Solubility Optimization的优化机制，采用双阶段优化策略来处理高维度、非对称性的数据。GEMS优化算法的改进使FMA-Net的准确率达到96.8%，F1分数为95.4%，AUC-ROC为97.2%，相比当前在Yelp、Amazon和Google Reviews数据集上最优秀的虚假评论检测模型，性能提升了3%至7%。利用GEMS和FMA-Net，我们显著降低了超参数优化的平均时间：网格搜索的整体时间减少了68%，复杂度也比遗传算法降低了42%。这项研究的贡献在于首次为 transformers 系统设计了混合元启发式算法，提出了数学上严谨的GEMS算法框架，并通过大量实证研究证明了该算法在多维评估指标上的有效性。