ترجمه فارسی مقاله آنچه در توضیحات اهمیت دارد: به سوی تشخیص نقدهای جعلی قابل توضیح با تمرکز بر ترانسفورماتورها

چکیده

Customers’ reviews and feedback play crucial role on electronic commerce~(E-commerce) platforms like Amazon, Zalando, and eBay in influencing other customers’ purchasing decisions. However, there is a prevailing concern that sellers often post fake or spam reviews to deceive potential customers and manipulate their opinions about a product. Over the past decade, there has been considerable interest in using machine learning (ML) and deep learning (DL) models to identify such fraudulent reviews. Unfortunately, the decisions made by complex ML and DL models – which often function as emph{black-boxes} – can be surprising and difficult for general users to comprehend. In this paper, we propose an explainable framework for detecting fake reviews with high precision in identifying fraudulent content with explanations and investigate what information matters most for explaining particular decisions by conducting empirical user evaluation. Initially, we develop fake review detection models using DL and transformer models including XLNet and DistilBERT. We then introduce layer-wise relevance propagation (LRP) technique for generating explanations that can map the contributions of words toward the predicted class. The experimental results on two benchmark fake review detection datasets demonstrate that our predictive models achieve state-of-the-art performance and outperform several existing methods. Furthermore, the empirical user evaluation of the generated explanations concludes which important information needs to be considered in generating explanations in the context of fake review identification.

چکیده به فارسی (ترجمه ماشینی)

بررسی ها و بازخورد مشتریان نقش مهمی در سیستم عامل های الکترونیکی (تجارت الکترونیکی) مانند آمازون ، زلاندو و eBay در تأثیرگذاری بر تصمیمات خرید سایر مشتریان دارند.با این حال ، این نگرانی غالب وجود دارد که فروشندگان غالباً بررسی های جعلی یا اسپم را برای فریب مشتریان بالقوه و دستکاری نظرات خود در مورد یک محصول ارسال می کنند.طی یک دهه گذشته ، علاقه زیادی به استفاده از مدل های یادگیری ماشین (ML) و یادگیری عمیق (DL) برای شناسایی چنین بررسی های کلاهبرداری وجود دارد.متأسفانه ، تصمیمات گرفته شده توسط مدل های پیچیده ML و DL – که اغلب به عنوان emph {black -boxes} عمل می کنند – درک کاربران عمومی می تواند تعجب آور و دشوار باشد.در این مقاله ، ما یک چارچوب قابل توضیح برای تشخیص بررسی های جعلی با دقت بالا در شناسایی محتوای کلاهبرداری با توضیحات پیشنهاد می کنیم و بررسی می کنیم که اطلاعات بیشتر برای توضیح تصمیمات خاص با انجام ارزیابی کاربر تجربی چیست.در ابتدا ، ما مدل های تشخیص بررسی جعلی را با استفاده از مدلهای DL و ترانسفورماتور از جمله XLNET و DISTILBERT توسعه می دهیم.ما سپس تکنیک انتشار ارتباط با لایه (LRP) را برای تولید توضیحاتی معرفی می کنیم که می تواند سهم کلمات را به سمت کلاس پیش بینی شده ترسیم کند.نتایج تجربی در دو مجموعه داده تشخیص نقد و بررسی جعلی نشان می دهد که مدلهای پیش بینی کننده ما به عملکرد پیشرفته ای دست می یابند و از چندین روش موجود بهتر عمل می کنند.علاوه بر این ، ارزیابی کاربر تجربی توضیحات تولید شده نتیجه می گیرد که اطلاعات مهم باید در تولید توضیحات در زمینه شناسایی بررسی جعلی در نظر گرفته شود.