[发明专利]一种基于注意力机制与双向GRU网络的水军评论检测系统及方法

权利要求书

1.一种基于注意力机制与双向GRU网络的水军评论检测方法，其特征在于，包括以下步骤：

将输入的评论数据分为文本信息评论、用户-产品关系信息评论和用户交互行为信息评论；对用户交互行为信息评论进行特征抽取获得行为特征，对用户-产品关系信息评论进行特征抽取得到用户-产品关系特征，对文本信息评论进行特征抽取获得文本特征；

将得到的行为特征、用户-产品关系特征以及文本特征进行拼接得到评论的最终表示向量，并将该向量输入至集成学习模块中，用分类函数得到评论最终的分类结果。

2.根据权利要求1所述的一种基于注意力机制与双向GRU网络的水军评论检测方法，其特征在于，所述对用户交互行为信息评论进行特征抽取获得行为特征具体为：

步骤S11：对每个评论，计算其与其他所有用户对此商品评论的平均等级差rank_diff：

rank_diff＝Review_rank–avg(Review_rank(others))；

式中，Review_rank表示当前评论对当前商品的评论等级，Review_rank表示其他所有用户对当前商品的平均评论等级；

步骤S12：定义评论中的等级分布信息熵，用每个用户对商品评论中的打分情况，判断该用户的打分是否分布集中，计算等级分布信息熵H(U)：

式中，p_i表示评论等级为i的概率，m表示评论等级的总数；

步骤S13：将每个评论进行one-hot编码后得到评论序列S1与S2：

S1＝{x1,x2,x3…xi}，S2＝{y1,y2,y3…yi}

其中S1表示评论集合，xi表示单条评论，S2表示共同商品评论集合，yi表示xi的共同商品评论；利用得到的评论的one-hot序列，应用余弦相似度计算的方法，检测评论x与其他同商品评论y的文本相似度cos(θ)：

式中，n表示评论总数。

步骤S14：使用concatenate将离散的rank_diff、H(U)以及cos(θ)用户行为特征拼接得到最终的行为特征表示。

3.根据权利要求1所述的一种基于注意力机制与双向GRU网络的水军评论检测方法，其特征在于，所述对用户-产品关系信息评论进行特征抽取得到用户-产品关系特征具体为：

将用户-产品关系信息评论先进行归一化得到用户关系三元组(评论-用户-产品)，然后经过两次主成分分析算法提取主元，并将其作为用户-产品关系特征。

4.根据权利要求1所述的一种基于注意力机制与双向GRU网络的水军评论检测方法，其特征在于，所述对文本信息评论进行特征抽取获得文本特征具体为：

利用Glove词向量表将文本信息评论进行预处理，得到词向量表示w₁,w₂…w_n，将其输入到双向GRU网络，通过双向GRU网络得到包含上下文信息的文本特征，然后利用注意力机制计算不同单词对文本分类的动态权重，并经过一层胶囊网络卷积得到文本特征表示向量。

5.根据权利要求1所述的一种基于注意力机制与双向GRU网络的水军评论检测方法，其特征在于，所述集成学习模块包括一个以上的分类器以及一个融合层，所述一个以上的分类器用以对输入的评论的最终表示向量分别进行分类预测，所述融合层用以对各分类器输出的结果进行融合，得到最终的分类结果。

6.一种基于注意力机制与双向GRU网络的水军评论检测系统，其特征在于，包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序时，能够实现如权利要求1-5任一项所述的方法步骤。

7.一种计算机可读存储介质，其特征在于，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-5任一项所述的方法步骤。