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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Feature Selection Method Based on Rough Set Attribute Reduction and Classical Filter-Based Feature Selection for Categorical Data Classification Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Towards Reliable App Marketplaces: Machine Learning-Based Detection of Fraudulent Reviews

verfasst von : Angel Fiallos, Erika Anton

Erschienen in: Applied Informatics

Verlag: Springer Nature Switzerland

Einloggen

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

search-config
loading …

Abstract

Online reviews significantly influence consumer decisions, making the increasing prevalence of fake reviews in app marketplaces concerning. These deceptive reviews distort the competitive landscape, providing unfair advantages or disadvantages to certain apps. Despite ongoing efforts to detect fake reviews, the sophistication of fake review generation continues to evolve, necessitating continuous improvements in detection models. Current models often focus on precision, potentially overlooking many fake reviews. This research addresses these challenges by developing a machine learning model since experiments on app reviews were published on a popular App Marketplace. The developed model detects fake reviews based on the textual content and the reviewer’s behavior, offering a relevant approach to enhancing the integrity of app marketplaces.

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 Simulation Model to Assess Household Water Saving Devices in Bogota City
Nächstes Kapitel Challenges to Use Role Playing in Software Engineering Education: A Rapid Review
Literatur
1.
Luca, M., Zervas, G.: Fake it till you make it: reputation, competition, and yelp review fraud. SSRN Electron. J. (62) (2013)
2.
Mayzlin, D., Dover, Y., Chevalier, J.: Promotional reviews: an empirical investigation of online review manipulation. Am. Econ. Rev. 104(8), 2421–2455 (2014)CrossRef
3.
Wu, Y., Ngai, E., Wu, P.: Fake online reviews: Literature review, synthesis, and directions for future research. Decis. Supp. Syst. 132, 113280 (2020)CrossRef
4.
Rayana, S., Akoglu, L.: Collective opinion spam detection: Bridging review. In: Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2015)
5.
Kennedy, S., Walsh, N., Sloka, K., Foster, J., McCarren, A.: Fact or factitious? Contextualized opinion spam detection. In:Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (2019)
6.
Mukherjee, A., Liu, B., Glance, N.: Spotting fake reviewer groups in consumer reviews. In: Proceedings of the 21st international conference on World Wide Web (2012)
7.
8.
Li, S., Guojin, Z.: A deceptive reviews detection method based on multidimensional feature construction and ensemble feature selection. IEEE Trans. Comput. Soc. Syst. (2023)
9.
Saeedreza, S., Mostafa, S., Reza, F., Noel, C.: NetSpam: a network-based spam detection framework for reviews in online social media. IEEE Trans. Inf. Forensics Secur. 12(7), 1585–1595 (2017)CrossRef
10.
Moosleitner, M., Specht, G., Zangerle, E.: Detection of generated text reviews by leveraging methods from authorship. In: Datenbanksysteme für Business, Technologie und Web , Gesellschaft für Informatik e.V (2023)
11.
Jindal, N., Liu, B.: Opinion spam and analysis. In: Proceedings of the 2008 International Conference on Web Search and Data Mining, pp. 219–230. ACM (2008)
12.
Mukherjee, A., Liu, B., Glance, N.: Spotting fake reviewer groups in consumer reviews. In: Proceedings of the 21st International Conference on World Wide Web (2012)
13.
Muchnik, L., Pei, S., Parra, L.C., Reis, S.D., Andrade, J.J.S., Makse, H.A.: Origins of power-law degree distribution in the heterogeneity of human activity in social networks. Sci. Rep. 3(1), 1783 (2013)CrossRef
14.
McInnes, L., Healy, J.: UMAP: Uniform manifold approximation and projection for dimension reduction. ArXiv e-prints 03426, 2018 (1802)
15.
Elmurngi, E., Gherbi, A.: Detecting Fake Reviews through Sentiment Analysis Using Machine Learning Techniques (2018)
16.
Mukherjee, A., Venkataraman, V.: Classification and Analysis of Real and Pseudo Reviews (2013)
17.
Medhat, W., Hassan, A., Korashy, H.: Sentiment analysis algorithms and applications: a survey. Ain Shams Eng. J. 5(4), 1093–1113 (2014)CrossRef
18.
Ramos, J.: Using TF-IDF to determine word relevance in document queries (2003)
Metadaten
Titel
Towards Reliable App Marketplaces: Machine Learning-Based Detection of Fraudulent Reviews
verfasst von
Angel Fiallos
Erika Anton
Copyright-Jahr
2024
Buch
Applied Informatics

Print ISBN: 978-3-031-46812-4

Electronic ISBN: 978-3-031-46813-1

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-46813-1_16

Premium Partner

    Bildnachweise