SGAN-SAM-ERNIE یک تشخیص موثر طرحی با رویکرد بررسی جعلی چینی (بررسی مروری)

  • سال انتشار: 1404
  • محل انتشار: یازدهمین کنفرانس بین المللی علوم، مهندسی، تکنولوژی و کسب و کارهای فناورانه
  • کد COI اختصاصی: SETT11_031
  • زبان مقاله: فارسی
  • تعداد مشاهده: 58
دانلود فایل این مقاله

نویسندگان

فاطمه چشم وهام

کارشناسی ارشد مهندسی فناوری اطلاعات گرایش تجارت الکترونیک، دانشگاه علم و صنعت

چکیده

این مقاله به معرفی یک رویکرد جدید و کارآمد برای تشخیص بررسی های جعلی (Fake Reviews) در زبان چینی با عنوان SGAN-SAM-ERNIE می پردازد. این رویکرد با بهره گیری از مدل های پیشرفته مولد (SGAN) و توجه دقیق به روابط معنایی (SAM) و در نهایت، استفاده از دانش غنی مدل زبانی ERNIE، توانسته است به نتایج قابل توجهی در این حوزه دست یابد. این مدل با بهره گیری از ترکیبی از شبکه های مولد تخاصمی (SGAN) برای افزایش داده های آموزشی، مکانیسم توجه مکانی (SAM) برای تمرکز بر بخش های مهم متن، و مدل زبانی از پیش آموزش دیده ERNIE، قادر به شناسایی الگوهای پنهان و پیچیده مرتبط با بررسی های جعلی است. نتایج آزمایش ها نشان می دهد که این مدل با عملکرد برتر نسبت به روش های پایه، گامی مهم در جهت بهبود صحت و قابلیت اطمینان سیستم های توصیه گر و ارزیابی آنلاین در زبان چینی محسوب می شود. این روش پیشنهادی، توانایی چشمگیری در تفکیک بررسی های واقعی از جعلی داشته و می تواند به عنوان یک ابزار قدرتمند در مقابله با این پدیده مخرب در فضای آنلاین مورد استفاده قرار گیرد.

کلیدواژه ها

تشخیص, مکانیسم توجه مکانی, الگو ارزیابی, سیستم های توصیه گر

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.