بررسی تاثیر استفاده از روش های یادگیری ماشین تجمعی در شناسایی نظر های هرز بر اساس ویژگی های رفتاری

یکی از تاثیرگذارترین ارتباط ها در اینترنت، نظر هایی است که توسط افراد مصرف کننده یک محصول به عنوان تجربه استفاده، در اختیار افراد خواهان خرید محصول قرار می گیرد. استفاده سودجویان از این فرصت انتقال تجربه، به منظور ارتقا یا تنزل ارزش یک خدمت یا محصول خاص به ناحق، باعث قرارگیری نظر های آن ها در دسته نظر های هرز می شود. ازاین رو شناسایی این نظرها با استفاده از روش های یادگیری ماشین و یادگیرنده های تجمعی به مبحثی داغ در میان محققان تبدیل شده است. هدف این مطالعه بررسی تاثیر استفاده از روش های یادگیری ماشین تجمعی در شناسایی اینگونه نظرها با استفاده از ویژگی های رفتاری است. بررسی های اخیر نشان داده است که روش های تجمعی مورد استفاده در این مطالعه در ادغام با ویژگی های متنی علاوه بر تحمیل بار محاسباتی بیشتر قادر به ارتقای عملکرد بهترین الگوریتم های پایه نیستند. در این مطالعه علاوه بر شناسایی بهترین یادگیرنده های پایه و تجمعی در استفاده از ویژگی های رفتاری به دنبال آن هستیم که آیا می توان با استفاده از این ویژگی ها و یادگیرنده های تجمعی به دقتی بیشتر و یا تغییر محسوسی در عملکرد مدل دست یابیم. بدین منظور از هفت یادگیرنده پایه و چهار یادگیرنده تجمعی دسته بندی، تقویت سازی، جنگل تصادفی و درخت اضافی استفاده شد و نتایج حاصل با نتایج استفاده از ویژگی های متنی مورد مقایسه قرار گرفت. ارزیابی ها نشان دهنده عملکرد بهتر یادگیرنده پایه درخت تصمیم به همراه روش تجمعی تقویت سازی در حالت استفاده از مجموعه داده نامتوازن و روش تجمعی دسته بندی در استفاده از مجموعه داده متوازن و هم چنین تغییر محسوس تر عملکرد بهترین الگوریتم پایه، توسط یادگیرنده های تجمعی، در استفاده از ویژگی های رفتاری نسبت به متنی است.