摘  要： 针对JINDAL N等人新近提出的利用逻辑回归模型识别产品垃圾评论的检测方法中使用过多产品评论特征这一问题，分析了解决方法，并提出对特征进行显著性检验。通过对亚马逊数据集的实验结果表明，采用显著性特征建立的回归模型优于所有特征建立的模型。新模型不仅解决了上述问题，减少了计算量，而且整体性能不变，这表明以显著性特征建模有助于提高模型的检测质量。
关键词： 逻辑回归；产品垃圾评论；显著性检验

    近几年，随着互联网的发展，人们越来越喜欢在网络上表达自己的观点。他们可以在购买商品的同时在各大商业网站、论坛以及博客发表评论。这些观点信息对其他潜在用户至关重要。
    由于网络的开放性，人们可以在网站上任意书写评论，这导致评论的质量低下，甚至产生垃圾评论，即由一些用户蓄意发表的不切实际、不真实的、有欺骗性质的评论，其目的是为了提升或者诋毁某一产品或某一类产品的声誉，从而误导潜在消费者，或者干扰评论意见挖掘和情感分析系统的分析结果[1]。正面评论可以提高产品销售额，还可以提高公司的名声，负面评论则可以诋毁竞争对手。这就为垃圾评论发表者提供了足够的动机。2007年，JINDAL N和Liu Bing首次对垃圾评论检测进行相关研究[1-2]。
1 相关工作
    目前，在线观点的分析已经成为一个热门的研究主题。然而，现有工作主要集中在利用自然语言处理和数据挖掘技术来抽取和总结评论观点[3-4]，对评论的特征以及评论者的行为研究较少，而这些却是观点挖掘的必要前提。
    目前的研究工作中已经取得了很多成果，JINDAL N等[1-2]将垃圾评论分为三类：欺骗性的评论（Untruthful Opinion）；不相关的评论（Reviews on Brands Only）；非评论信息（Non-Reviews）。之后，他们收集了评论文本、评论发表者和产品3个方面共36个特征，采用人工标记训练集的方法，应用Logistic回归建立机器学习模型来识别第二类和第三类垃圾评论；对于第一类垃圾评论，则通过识别重复性的评论，将重复性评论作为正向的训练集建立机器学习模型来识别。此方法取得了不错的效果，但使用的特征过多，不仅增加了计算量，而且可能使得模型不够稳定。因此，本文利用重复评论建立模型，提出对特征进行显著性检验，以获取的显著性特征建立更加稳定的回归模型。实验结果表明，新模型不仅有效地减少了计算量，而且效果优于所有特征建立的模型。
2 融合多特征的产品垃圾评论识别方法
2.1 垃圾评论检测
    在JINDAL N和Liu Bing的工作中，他们将垃圾评论分为三类，本文主要致力于检测第一类垃圾评论，即欺骗性的评论（Untruthful Opinion）。
2.1.1 检测重复评论
    对于第二和第三类垃圾评论，可以通过评论内容来识别。然而，仅仅通过人工阅读一个评论来判别它是否具有欺骗性是极其困难的，这是由于垃圾评论发表者可以通过仔细伪装使评论看起来和其他正常评论一样。
    因此，本文利用JINDAL N等[2]提出的以下3种重复评论（包括近似重复）来检测第一类垃圾评论：(1)不同用户对同一产品发表的重复评论；(2)相同用户对不同产品发表的重复评论；(3)不同用户对不同产品发表的重复评论。
    同一用户对同一产品的重复评论，有可能是因为用户多次点击提交造成的，也有可能是用户为了修改之前的评论。为此，只保留同一用户对同一产品的最新评论。
    重复和近似重复评论的识别使用的是Shingle Method[5]。首先，对所有评论建立2-Gram语言模型，然后对两个评论A、B计算相似值J(A，B)，公式如下：
    J(A，B)=(A∩B)/(A∪B)
当两个评论的相似度在90%以上时，把它们当作重复评论。
2.1.2 模型的建立
    本文使用R统计软件来建立逻辑回归模型，并将AUC(Area under ROC Curve)作为分类结果的评价指标。AUC是一个用于评价机器学习模型质量的标准指标。
    为了建立模型，需要构建训练数据，为此，本文使用了JINDAL N和Liu Bing总结的特征来表示评论，具体特征见参考文献[4]。其中本文对部分特征的处理可能与他们的方法存在差异：对于特征F10、F11，本文中的这些词来自知网（Hownet）提供的最新情感词词典，与JINDAL N等的词典不同；特征F26的评论数少于3不予判断，当做0。
2.2 显著性检验
    根据样本得到的Logistic回归模型需要经过检验才能说明影响因素对事件发生的影响是否具有统计学意义。特别是当影响因素比较多时，需挑选出与事件发生确实有关或关系更密切的影响因素，以建立更加稳定的回归模型。
  

    Amazon网站的每个评论由8部分组成：Product ID；Reviewer ID、Rating、Date、Review Title、Review Body、Number of Helpful Feedbacks和Number of Feedbacks。

    以上显著性特征中，′***′和′**′显著性特征主要为F13～F16以及F24～F30，即文本特征和评论者特征，这说明评论文本内容和评论者行为在识别重复评论中发挥了重要作用。
3.3 垃圾评论识别效果及其分析
    本文通过建立分类模型检测第一类垃圾评论，由于人工标记训练集是比较困难的，而在2.1.1节中提到的三种类型重复评论几乎可以确定为垃圾评论。因此，本文将所有重复评论归为正类，其他剩下的评论归为负类，以此来建立模型。同时，使用十倍交叉验证来获得实验结果，针对不同特征集合的实验结果如表3所示。

    从实验结果可以看出：
    (1)使用所有特征AUC为83.8%，考虑到负类样本中的许多非重复评论也有可能是垃圾评论，该AUC值已经相当高了。
    (2)除去feedbacks之外的特征AUC值为83.7%，证明feedbacks在垃圾评论检测中作用不明显。
    (3)单独文本特征的AUC值只有70.1%，说明不能单独使用文本特征进行垃圾评论的识别。
    (4)‘***’特征AUC值为82.2%，比所有特征只差1.6%，而‘***’特征和‘**’特征AUC值最高，甚至高于所有特征的AUC值达到84.7%。
    综上所述，本文提出的以显著性特征构建的模型更加稳定，不仅减少了计算量，而且能够达到和所有特征同样的效果。
    当然，利用重复和非重复评论建立逻辑回归模型不只是为了检测重复评论，因为重复垃圾评论的识别可以通过简单的内容比较检测到（见2.1.1节），本文真正的目的是用该模型来识别第一类型垃圾评论中的非重复评论。上述实验结果证明了模型可预测重复评论，为了进一步确认它的可预测性，需要证明它也可以预测那些非重复的垃圾评论。
    为此，本文将通过人工检测查看许多排名很高的非重复评论是否是真正的垃圾评论。首先，对负类测试样本（非重复）按照概率进行排列；然后，对排名较高的评论进行人工标注，看它们是否为垃圾评论。人工标注采用投票的方式来完成。实验结果如表4所示，其中第二行为应用所有特征的负类样本排列后检测的结果，第三行为应用‘***’特征和‘**’特征的结果。可以看出使用所有特征以及‘***’特征和‘**’特征能够识别的垃圾评论数量都较少，这是由于许多有经验的垃圾评论者能够很好地掩饰他们的行为，使判别变得异常困难。但实验结果表明，本文提出的方法是有效的，可以应用更少的显著性特征来识别产品垃圾评论。

    以过多的产品评论特征建立的逻辑回归模型存在模型不稳定和计算量大的问题。对特征进行显著性检验能有效解决该问题。本文对JINDAL N等人提出的方法进行研究，并分析了存在的问题，提出利用更为合理的显著性特征建立模型，从而提高了模型质量。新的模型更加稳定，使得计算量大大减少。实验通过亚马逊数据集，验证了本文方法的有效性。未来的工作将致力于通过混合各种算法和分类器来提高算法精度。
参考文献
[1] JINDAL N，Liu Bing.Review spam detection[C].Proceedings  of the 16th International Conference on World Wide Web，2007：1189-1190.
[2] JINDAL N，Liu Bing.Opinion spam and analysis[C].Proceedings of the International Conference on Web Search and Web data mining，2008：219-230.
[3] HU M，Liu Bing.Mining and summarizing customer reviews  [C].Proceedings of the 10th ACM SIGKDD International  Conference on Knowledge Discovery and Data Mining.2004：168-177.
[4] PANG Bo，LILLIAN L E.Opinion mining and sentiment analysis[J].Foundations and Trends in Information Retrieval. 2008，2(1-2)：1-135.
[5] BRODER A Z.On the resemblance and containment of documents[C].Proceedings of the Compression and Complexity of Sequences.1997：21-29.