Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Certified Machine-Learning Models Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Modelling of the Fake Posting Recognition in On-Line Media Using Machine Learning

verfasst von : Kristína Machová, Marián Mach, Gabriela Demková

Erschienen in: SOFSEM 2020: Theory and Practice of Computer Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Discuss content in the online web space has a significant impact on social life in recent years, especially in the political world. The impact of social networks has its advantages and disadvantages. An important disadvantage is a rising of the antisocial content in online communities. The antisocial content represents a serious and actual problem that is reinforced by a simplifying the process of creating and disseminating of antisocial posts. A typical example is a spreading of fake reviews. Detection of fake reviews is becoming one of the most important areas of research in last years. It is easier to track the impact of fake reviews than to detect them. The aim of this paper is to create suitable models for the fake reviews recognition using machine learning algorithms particularly decision tree, random forests, support vector machine and naïve Bayes classifier. Using a confusion matrix, several indicators of binary classification efficiency were quantified in the process of these models testing.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel GRaCe: A Relaxed Approach for Graph Query Caching
Nächstes Kapitel Two-Step Memory Networks for Deep Semantic Parsing of Geometry Word Problems
Literatur
1.
2.
Shu, K., Sliva, A., Wang, S., Tang, J., Liu, H.: Fake news detection on social media: a data mining perspective. Newsletter 19(1), 22–36 (2017)
3.
Dematis, I., Karapistoli, E., Vakali, A.: Fake review detection via exploitation of spam indicators and reviewer behavior characteristics. In: Tjoa, A.M., Bellatreche, L., Biffl, S., van Leeuwen, J., Wiedermann, J. (eds.) SOFSEM 2018. LNCS, vol. 10706, pp. 581–595. Springer, Cham (2018). https://​doi.​org/​10.​1007/​978-3-319-73117-9_​41CrossRef
4.
5.
Chowdhary, N.S., Pandit, A.A.: Fake review detection using classification. Int. J. Comput. Appl. 180(50), 16–21 (2018)
6.
Cardoso, E.F., Silva, R.M., Almeida, T.A.: Towards automatic filtering of fake reviews. Neurocomputing 309, 1–41 (2018)CrossRef
7.
Russell, S.J., Norvig, P.: Artificial Intelligence. A Modern Approach, 3rd edn, pp. 1–932. Prentice Hall, Pearson Education, Upper Saddle River (2010). ISBN-13: 978-0-13-604259-4MATH
8.
Han, J., Kamber, M.: Data Mining: Concepts and Techniques, 3rd edn, pp. 1–703. Morgan Kaufmann, Elsevier, Burlington (2012)CrossRef
9.
Pang, B., Lee, L., Vaithyanathan, S.: Thumbs up? Sentiment classification using machine learning techniques. In: Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP 2002), Philadelphia, pp. 79–86 (2002)
10.
Kingsford, C., Salzberg, S.L.: What are decision trees? Nat. Biotechnol. 26(1), 1011–1013 (2008)CrossRef
11.
Orphanos, G., Kalles, D., Papagelis, T., Christodoulakis, D.: Decision trees and NLP: a case study in POS tagging. Academia, 1–7 (1999)
12.
Magerman, D.M.: Statistical decision-tree models for parsing. In: Proceeding ACL 1995 Proceedings of the 33rd Annual Meeting on Association for Computational Linguistics, pp. 276–283 (1995)
13.
14.
15.
Ben-Hur, A., Horn, D., Siegelmann, H.T., Vapnik, V.: Support vector clustering. J. Mach. Learn. Res. 2(2), 125–137 (2001)MATH
16.
Paralič, J., et al.: Mining Knowledge from Texts. Equilibria, Košice (2010)
17.
Mikula, M., Machová, K.: Combined approach for sentiment analysis in Slovak using a dictionary annotated by particle swarm optimization. Acta Electrotechnica et Informatica 18(2), 27–34 (2018)CrossRef
Metadaten
Titel
Modelling of the Fake Posting Recognition in On-Line Media Using Machine Learning
verfasst von
Kristína Machová
Marián Mach
Gabriela Demková
Copyright-Jahr
2020
Buch
SOFSEM 2020: Theory and Practice of Computer Science

Print ISBN: 978-3-030-38918-5

Electronic ISBN: 978-3-030-38919-2

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-38919-2_56