مطالعهای جدید نشان میدهد یک سیستم هوش مصنوعی چندوجهی میتواند نقدهای جعلی در فروشگاههای آنلاین را با دقت چشمگیر شناسایی کند. این فناوری نهتنها متن و تصاویر نقدها را بررسی میکند، بلکه حتی قادر است مسیر انتشار یک نقد جعلی در اینترنت را نیز ردیابی کند.
به گزارش دنیای برند؛ نقدهای جعلی یکی از بزرگترین مشکلات خرید آنلاین هستند. بسیاری از کاربران تجربه کردهاند که محصولی را بر اساس نظرات بسیار مثبت خریداری کردهاند، اما در نهایت با کالایی بیکیفیت روبهرو شدهاند. حالا پژوهشی که در نشریه International Journal of Information and Communication Technology منتشر شده، راهکاری مبتنی بر هوش مصنوعی ارائه میدهد که میتواند این مشکل را تا حد زیادی کاهش دهد.
چرا روشهای فعلی کافی نیستند؟
بیشتر سیستمهای فعلی تشخیص نقد جعلی تنها روی متن نظر تمرکز دارند. این روش زمانی مؤثر بود، اما اکنون نویسندگان نقدهای جعلی پیچیدهتر عمل میکنند. آنها متنهایی طبیعیتر مینویسند و برای واقعی جلوه دادن نقد خود، تصاویر گمراهکننده نیز اضافه میکنند. همین موضوع باعث شده ابزارهای مبتنی بر متن بهتنهایی کارایی کمتری داشته باشند.
فهرست مطالب
تحلیل همزمان متن، تصویر و رفتار کاربر
پژوهشگران برای حل این مشکل سیستمی طراحی کردند که چندین نشانه را بهطور همزمان بررسی میکند. در این مدل:
- متن نقد با استفاده از شبکه عصبی کانولوشنی متنی (Text CNN) و مدلهای زبانی از پیش آموزشدیده تحلیل میشود تا هم ساختار سطحی و هم معنای عمیق جملات بررسی شود.
- رفتار حساب کاربری نیز مورد توجه قرار میگیرد؛ برای مثال حسابهای جعلی اغلب تصویر پروفایل پیشفرض و نام کاربری خودکار دارند، در حالی که کاربران واقعی معمولاً حساب خود را شخصیسازی میکنند.
بررسی تصاویر با شبکههای عصبی
این سیستم همچنین تصاویر همراه نقد را بهطور جداگانه تحلیل میکند. برای این کار از شبکه عصبی Residual (ResNet) استفاده میشود؛ الگوریتمی که در پردازش تصویر بسیار رایج است. پس از تحلیل همه این دادهها، نتایج با هم ترکیب میشوند تا مشخص شود یک نقد واقعی است یا جعلی.
🎯 برای اطلاع از جدیدترین تحولات برندها، همراه ما باشید
تلگرام | اینستاگرام | لینکدین
ردیابی انتشار نقدهای جعلی
اگر سیستمی تشخیص دهد که یک نقد جعلی است، مرحله بعد آغاز میشود. در این بخش یک مدل Transformer وارد عمل میشود و تلاش میکند منبع انتشار نقد و مسیر گسترش آن در شبکه را شناسایی کند.
دقت چشمگیر در آزمایشها
این مدل روی مجموعه داده بزرگی از پلتفرم خرید آنلاین JD.com آزمایش شد. نتایج نشان داد:
- دقت تشخیص نقد جعلی: ۹۴.۲ درصد
- دقت ردیابی انتشار نقد: ۹۳.۵ درصد
این عملکرد از تمام روشهای قبلی که با آن مقایسه شد بهتر بود. اگر چنین سیستمهایی بهطور گسترده در فروشگاههای آنلاین استفاده شوند، میتوانند به کاهش نقدهای گمراهکننده و افزایش اعتماد کاربران به امتیازدهی محصولات کمک کنند.