Ürünler İçin Sahte Yorum Yazanların Etkin Olarak Belirlenmesi

Yıl 2018, Cilt: 9 Sayı: 2, 649 - 655, 25.09.2018

Buket Kaya

Öz

Çevirim içi alışveriş sitelerinin popülerliğinin son yıllarda artması
ile birlikte internet kullanıcıları daha fazla sayıda ve miktarda ürünü
internet üzerinden satın almaktadır. Bugün Türkiye'nin büyük birçok şehrinde
market alışverişi bile internetten yapılabilmektedir.  İnternet üzerinden alışveriş yapan
kullanıcıların, ürünler hakkında diğer kullanıcıların yorumlarına önem verdiği
ve çoğu zaman satın alma eğilimlerinin diğer kullanıcıların görüşleri ile birlikte
değiştiği birçok çalışma ile tespit edilmiştir. Şirketler kendi ürünleri
hakkında olumlu kanı oluşturmak veya rakip ürünler hakkında var olan iyi
izlenimi kötüleştirmek yani yorum sistemini manipüle etmek için kimi zaman
gönüllü kimi zamanda paralı yorumcular tutabilmektedir. Böylece objektiflikten
uzak ve taraflı yorum yazdırarak satın alacak kullanıcıların fikirlerini
değiştirmeye çalışmışlardır. Bu yorumları insan eli ile düzeltmek mümkün
olmayacak kadar çoktur. Bundan dolayı sahte yorum ve sahtekarları tespit etmek
için birçok yaklaşım sunulmuştur. Bu yaklaşımlar ile sahte yorumlar ve sahtekarlar
tespit edilerek yorum sistemlerinin güvenilirliği sağlanabildiği gibi
kullanıcıların manipüle edilmemiş yorum okumaları sağlanarak yorumlara olan
güven arttırabilir. Bu çalışmada sahte yorum yazanları bulmak için önerilen dört
farklı metot entegre edilerek yeni bir yaklaşım sunulmuştur. Amazon ürün
yorumları üzerinde test edilen yöntem, daha doğru sonuçlar bulduğunu
göstermiştir.

Anahtar Kelimeler

Sahte Yorum, Sahte Yorumcu, Makine Öğrenmesi, Sınıflandırma

Kaynakça

• 1. Crawford, M., Khoshgoftaar, T. M., Prusa, J.D., Richter A.N., Al-Najada, H., (2015). Survey of Review Spam Detection using Machine Learning Techniques, Journal of Big Data, 2:23.
• 2. Jindal, N., Liu, B. (2007). Review Spam Detection. 16th International Conference on World Wide Web, Pages: 1189– 1190.
• 3. Jindal, N., Liu, B., (2008). Opinion Spam and Analysis, WSDM '08 Proceedings of the 2008 International Conference on Web Search and Data Mining, Pages 219-230.
• 4. Thet, T.T., Na, J.C., Khoo, C.S.G., (2010). Aspect-Based Sentiment Analysis of Movie Reviews on Discussion Boards, Journal of Information Science, 36:6, 823-848.
• 5. Lim, E.P., Nguyen, V.A., Jindal, N., Liu, B., Lauw, H. W. (2010). Detecting Product Review Spammers using Rating Behaviors. 19th ACM International Conference on Information and Knowledge Management, Pages: 939-948.
• 6. Mukherjee, A., Liu, B., Wang, J., Glance, N., Jindal, N. (2011). Detecting Group Review Spam, 20th International Conference Companion on World Wide Web, Pages: 93–94.
• 7. Jindal, N., Liu, B., Lim, E.P., (2010). Finding Unusual Review Patterns using Unexpected Rules, CIKM '10 Proceedings of the 19th ACM International Conference on Information and Knowledge Management, Pages 1549-1552.
• 8. Lim, E.P., Nguyen, V.A., Jindal, N., Liu, B., Lauw, H.W., (2010), Detecting Product Reivew Spammers using Rating Behaviors, CIKM '10 Proceedings of the 19th ACM International Conference on Information and Knowledge Management, Pages: 939-948.
• 9. Lin, Y., Zhu, T., Wang, X., Zhang, J., Zhou, A., (2014). Towards Online Review Spam Detection, Proceedings of the 23rd International Conference on World Wide Web, Pages: 341-342.
• 10. Heydari, A., Tavakoli, M.A., Salim, N., Heydari, Z., (2015). Detection of Review Spam: A Survey, Expert Systems with Applications, 42:7, 3634-3642.
• 11. Keshavaras, F., Waheed, A.A., Rachdi, B., Alhajj R., (2018), Review Spam Detection by Highlighting Potential Spammers and Diminishing Their Effect, International Journal of E-Bussiness Research, 14(1): 23.
• 12. Lam, S. K., Riedl, J. (2004). Shilling Recommender Systems for Fun and Profit, 13th International Conference on World Wide Web, Pages: 393–402.
• 13. Xie, S., Wang, G., Lin, S., Yu, P. S. (2012). Review Spam Detection via Time Series Pattern Discovery. 21st International Conference Companion on World Wide Web, Pages: 635–636.
• 14. He, R., McAuley, J., (2016). Ups and downs: Modeling the visual evolution of fashion trends with one-class collaborative filtering, WWW '16 Proceedings of the 25th International Conference on World Wide Web, Pages: 507-517.