使用预训练的DeBERTa进行高性能假评论检测,并通过Monarch Butterfly范式进行优化

科学领域:

• 人工智能的人工智能
• 自然语言处理自然语言处理.
• 电子商务分析 电子商务分析

背景情况:

• 在线客户评论显著影响购买决策.
• 假评论的大量传播损害了电子商务的完整性和商业声誉.
• 现有的机器学习模型面临着深度上下文理解和虚假评论检测可扩展性的挑战.

研究的目的:

• 开发一种新的深度神经网络模型,用于准确地检测假评论.
• 提高模型区分真实和欺骗性的在线评论的能力.
• 为了评估模型的性能,对抗对手攻击的稳定性,以及对真实世界的数据的效率.

主要方法:

• 介绍了MBO-DeBERTa,一个集成君主蝶优化器的深度神经网络.
• 对各种数据集进行分类准确性评估 (亚马逊,假评论,欺骗性意见垃圾邮件).
• 使用快速渐变信号方法 (FGSM) 评估对抗攻击的抵抗力,并对未见的数据集进行测试.

主要成果:

• 在检测虚假评论方面,MBO-DeBERTa的分类准确率达到98%.
• 与现有模型相比,该模型在准确性,精度,回忆和F1得分方面表现出卓越的性能.
• 有效地检测对抗性攻击,并在真实世界,未见的客户评论数据上提供高效的性能.

结论:

• 拟议的MBO-DeBERTa模型在假评论检测方面取得了重大进展.
• 该模型提供了一个强大而准确的解决方案,用于维护电子商务中的在线评论的完整性.
• MBO-DeBERTa在各种数据集上展示了高效率和超越性能,包括现实世界的应用.