人工智能学习

亚马逊虚假评论 116 元/条,水军挣钱有多容易?

本文主要是介绍亚马逊虚假评论 116 元/条,水军挣钱有多容易?,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
场景描述:在知名的电商平台亚马逊上,虚假评论一直在诱导着消费者购买伪劣产品。尽管亚马逊对此进行了一些管控,但依旧无法就这个现象一网打尽。近期,有媒体报道亚马逊的卖家正在从专业的造假公司手中,以不菲的价格大量购买虚假评论,甚至还形成了一个不小的灰色市场。如何识别和监管这些假冒评论? AI 在其中又能扮演什么样的角色?
关键词:电商购物 虚假评论 自然语言处理

一直以来,亚马逊就在对抗虚假评论的道路上忙的焦头烂额。

fake-review.jpg

  • 亚马逊实行了大量的监管手段,还是存在许多虚假评论

近日,外媒《每日邮报》发布了一项调查,在亚马逊平台上,活跃着一批专门兜售虚假评论的公司,他们背后操纵着网站的虚假评论,每条假评论以 13 英镑(约为 116 元)的价格进行售卖。

在爆料中,一家位于德国的公司 AMZTigers ,就专门从事着这类不正当的交易,它在英国有 3,000 名测试人员,整个欧洲有近 6 万名人员,以提供快速的虚假评论服务。

亚马逊曾多次表示对平台实行了监管措施,在过去一年里,更是花费了 3 亿英镑( 27.26 亿元),来保护客户免受滥用、欺诈和其他形式的不当行为。但这次的报道,侧映了它们的工作还有一些漏洞存在。

c_pic_157189430538701.jpg

  • 英国消费者协会曾怒将诸多亚马逊商品打上「别买」的标签

虚假评论不仅仅只是亚马逊需要面临的问题,事实上,整个电商平台都存在着泛滥的假冒/欺诈性评论,这几乎就是网购环境下挥之不去的阴霾。

伴随着网购蔓延而来的虚假评论

在虚假评论的背后,是巨大的市场利益驱动和恶性竞争在作怪。

在一项针对 2000 名成年人的调查统计中显示,超过 97% 的买家会依赖在线评论的内容,做出最后的购买决定。

虚假评论往往伴随刷单一起出现。在去年底,新京报的一项调查中提及,阿里单在 2018 年一年里,就监控到 2800 多个刷单团伙,其中包括刷单 QQ 群 2384 个,空包交易平台 290 个,刷单交易平台 237 个。

刷单刷评的门槛很低,网络上随处可见,也掌握着巨大的流量。比如大平台「握手网」客服号称有 60万「刷手」,而「宝宝刷单网」则称每天有近万名「刷手」在线。在遭曝光后,一些平台关闭,另一些则改头换面重新开始刷单业务。

1000.jpeg

  • 国内的电商平台也存在明目张胆的刷单刷评行为

央视也曾曝光过,一家销售不合格产品的儿童用品公司,在一年内刷单数量达到 1231 单,涉及金额超过 77 万元,伪造了近 40 倍的虚假交易记录,支也为此支付了约 2 万元的刷单佣金。

电商、网络「刷手」、刷单渠道,交织在一起,构成了庞大的刷单黑色产业链,它们有着一整套复杂而详细的运作流程,从而产生了大量的虚假销量和虚假评论。

a36e28f641ef4026a2f4d016d83b6a1d.jpeg

  • 央视报道中提及,连差评都可能是假的

2019 年 1 月 1 日,《电子商务法》开始施行,其中将「刷单」定义为违法行为,规定「电子商务经营者不得以虚构交易、编造用户评价等方式进行虚假宣传,欺骗、误导消费者。」但因为违法成本低、隐蔽性强等特点,再加上平台的推荐机制等原因,催生了这一现象的野蛮生长。

除了电商平台需要借鉴更加完善的管理制度之外,也许另一种可行的方式,就是善用 AI 的力量。

AI 技术正成为打假的利器

从虚假评论受到人们和电商平台的重视以来,传统的数据分析方法,就一直被用来检测假冒/欺诈性评论。但早期的数据分析技术,通常以提取定量和统计数据特征为主。

00b479e99632493528e29200a3f0d1ca.jpg

  • 亚马逊上「不走心」的重复假评论

这些方法,能够筛选出一些低端的造假,想要进行更全面深度的数据分析,系统必须配备大量的后台数据,并能够执行涉及该数据的推理任务。

于是,一些研究人员将方向转向了机器学习和人工智能,用更有效的方法来对抗虚假评论。

截屏2019-12-25下午6.00.42.png

  • Fakespot 是一款基于 AI 的线上检测工具,支持亚马逊、Steam、沃尔玛的评论检测

真实的评论和虚假评论之间,有一些语言特征上的差异。比如一个刚注册的用户,在评论中充斥了过分的溢美之词,那么很有可能是来自水军的评论。使用有监督/或无监督的学习方法,让 AI 学会去判断这些差异,就是 AI 进行打假的关键一步。

此类技术,归属于自然语言处理上的范畴。通过提取和识别流行的电商平台上,虚假和不可靠的消费者评论,通过训练让算法学会识别和判断虚假评论,最终学会给用户评论的可信度进行打分。

这其中一项重要的任务,在于进行异常检测,从书写样式、格式,结合评论者的多种可用资料,判断该评论属于正常用户还是恶意的假冒评论。

比如发现拼写和语法上可疑之处,结合评论数量,购买方式,日期不匹配以及其他可疑评论活动的迹象。再结合人类分析团队,从多个数据维度进行分析,以确定评论真实性。

fakespot_1dvk.jpg

  • Fakespot 可将虚高的评价检测出来,并给出真实用户的评分

此外,还有一些更细致的研究,会根据评论者的评论密度、情感分析和语义检测,对评论进行更加精确的判断。

健康的网购环境,AI 能给?

当我们试图从用户评论中,发现更多商品信息的时候,那些别有用心的人,早已将它们作为了非法牟利的筹码。

AI 能够帮助我们从这些平台中,过滤掉那些虚假的评论,打造一个相对干净的网购环境。

在此同时, AI 也会被用在制造虚假评论之中,随之又诞生了检测 AI 造假的技术... 这场较量,也逐渐升级为 AI 的攻防之战。

但肯定的是,只有善用技术,用对技术,才能走向最终的胜利。

9150e4e5gy1fxivfd2ti7g206o06odft.gif

这篇关于亚马逊虚假评论 116 元/条,水军挣钱有多容易?的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!