SPOTTING FAKE REVIEWER-GRUPPEN IN VERBRAUCHERBEREICHEN

Wenn man heutzutage höchstwahrscheinlich ein Produkt kaufen möchte, liest man zuerst die Bewertungen des Produkts. Wenn er / sie feststellt, dass die meisten Bewertungen positiv sind, wird er / sie sehr wahrscheinlich kaufen. Wenn jedoch die meisten Bewertungen negativ sind, wird er / sie mit großer Wahrscheinlichkeit ein anderes Produkt wählen. Positive Meinungen können für Organisationen und Einzelpersonen zu erheblichen finanziellen Erfolgen führen.

 Dies gibt leider starke Anreize für Meinungsspamming, was sich auf menschliche Aktivitäten bezieht (z. B. das Schreiben gefälschter Bewertungen), die versuchen, Leser absichtlich in die Irre zu führen, indem sie einigen Unternehmen (z. B. Produkten) unlautere Beurteilungen geben, um sie zu fördern oder ihren Ruf zu schädigen . Da immer mehr Einzelpersonen und Organisationen Reviews für ihre Entscheidungsfindung verwenden, wird das Erkennen solcher gefälschten Reviews zu einem dringlichen Thema. Das Problem wurde in den Nachrichten ausführlich beschrieben1. Es gibt frühere Arbeiten zur Erkennung gefälschter Bewertungen und einzelner gefälschter Prüfer oder Spammer. Es wurde jedoch nur begrenzt geforscht, um gefälschte Überprüfer- (oder Spammer-) Gruppen zu entdecken, die wir auch Spammergruppen nennen. Gruppenspamming bezieht sich auf eine Gruppe von Prüfern, die gefälschte Bewertungen zusammen geschrieben haben, um bestimmte Zielprodukte zu fördern oder zu verringern. Eine Spammergruppe kann sehr schädlich sein, da sie die totale Kontrolle über das Gefühl für ein Produkt übernehmen kann, da eine Gruppe viele Leute hat, die gefälschte Bewertungen schreiben.
Unsere Experimente zeigen, dass es schwierig ist, Spammergruppen mithilfe von Überprüfungsinhaltsmerkmalen oder sogar Indikatoren zum Erkennen anormaler Verhaltensweisen einzelner Spammer zu erkennen, da eine Gruppe über mehr Arbeitskräfte verfügt, um Überprüfungen zu veröffentlichen, sodass jedes Mitglied sich nicht mehr anormal zu verhalten scheint. Beachten Sie, dass wir unter einer Gruppe von Prüfern eine Gruppe von Prüfer-IDs meinen. Die eigentlichen Prüfer hinter den IDs können eine einzelne Person mit mehreren IDs (Sockenpuppe), mehrere Personen oder eine Kombination aus beiden sein. Wir unterscheiden sie in dieser Arbeit nicht. Bevor wir fortfahren, sehen wir uns eine Spammergruppe an, die unser Algorithmus gefunden hat. Die folgenden verdächtigen Muster können zu dieser Gruppe bemerkt werden:
(i) die Gruppenmitglieder überprüften alle die gleichen drei Produkte und erhielten alle 5-Sterne-Bewertungen;
(ii) sie haben innerhalb eines kurzen Zeitfensters von 4 Tagen Bewertungen abgegeben (zwei davon am selben Tag);
(iii) jeder von ihnen hat nur die drei Produkte überprüft (als unsere Amazon-Überprüfungsdaten [14] gecrawlt wurden);
(iv) Sie gehörten zu den frühen Gutachtern für die Produkte (um große Wirkung zu erzielen). Alle diese Muster, die zusammen auftreten, deuten stark auf verdächtige Aktivitäten hin. Beachten Sie auch, dass keine der Bewertungen selbst einander ähnlich ist (d. H. Keine Duplikate) oder täuschend erscheinen. Wenn wir nur die drei Rezensenten einzeln betrachten, wirken sie alle aufrichtig. Tatsächlich erhielten 5 von 9 Bewertungen 100% der Stimmen von Amazon-Nutzern, um anzugeben, dass die Bewertungen nützlich sind.
 Es ist klar, dass diese drei Gutachter die Gesamtstimmung der bewerteten Produkte vollständig kontrolliert haben. Tatsächlich gibt es einen vierten Gutachter in der Gruppe. Aus Platzgründen wird hier darauf verzichtet. Wenn eine Gruppe von Prüfern nur einmal zusammenarbeitet, um ein Produkt zu fördern oder zu degradieren, ist es schwierig, sie anhand ihres kollektiven Verhaltens zu erkennen. Sie können unter Verwendung des Inhalts ihrer Bewertungen erkannt werden, z. B. indem sie sich gegenseitig kopieren. Dann sind die Methoden in anwendbar. Im Laufe der Jahre hat sich Meinungsspamming jedoch zu einem Geschäft entwickelt. Die Leute werden dafür bezahlt, gefälschte Kritiken zu schreiben. Solche Leute können nicht einfach eine einzige Rezension schreiben, da sie auf diese Weise nicht genug Geld verdienen würden. Stattdessen schreiben sie viele Bewertungen zu vielen Produkten. Solche kollektiven Verhaltensweisen einer Gruppe, die an einer Reihe von Produkten zusammenarbeitet, können sie verraten. Dieses Papier konzentriert sich auf die Erkennung solcher Gruppen. Da Prüfer in der Gruppe Bewertungen für mehrere Produkte schreiben, können sie mithilfe des Data-Mining-Verfahrens (Fast Item Set Mining, FIM) ermittelt werden. So entdeckte Gruppen sind jedoch nur Gruppen-Spam-Kandidaten, da viele Gruppen zufällig sein können, da einige Rezensenten zufällig prüfen