Sitios como TripAdvisor, Yelp y Amazon muestran reseñas de usuarios de productos y servicios. Los consumidores prestan atención: nueve de cada diez personas leen estas evaluaciones por pares y confían en lo que ven. De hecho, hasta el 40% de los usuarios deciden hacer una comprabasado en solo un par de reseñas, y las excelentes críticas hacen que las personas gasten un 30% más en sus compras.
Sin embargo, no todas las revisiones son legítimas. Las revisiones falsas escritas por personas reales ya son comunes en los sitios de revisión, pero es probable que la cantidad de falsificaciones generadas por las máquinas aumente sustancialmente.
Según la estudiante de doctorado Mika Juuti de la Universidad de Aalto, las revisiones falsas basadas en algoritmos hoy en día son fáciles, precisas y rápidas de generar. La mayoría de las veces, las personas no pueden distinguir entre las revisiones falsas genuinas y generadas por máquina.
'Las compañías que se comportan mal pueden intentar aumentar sus ventas creando artificialmente una imagen positiva de la marca o generando críticas negativas falsas sobre un competidor. La motivación es, por supuesto, dinero: las revisiones en línea son un gran negocio para destinos de viaje, hoteles,proveedores de servicios y productos de consumo ', dice Mika Juuti.
En 2017, los investigadores de la Universidad de Chicago describieron un método para entrenar un modelo de aprendizaje automático, una red neuronal profunda, utilizando un conjunto de datos de tres millones de clasificaciones reales de restaurantes en Yelp. Después de la capacitación, el modelo generó comentarios falsos de restaurantes porpersonaje.
Sin embargo, hubo un pequeño inconveniente en el método; tuvo dificultades para mantenerse en el tema. Para una revisión de un restaurante japonés en Las Vegas, el modelo podría hacer referencias a un restaurante italiano en Baltimore. Este tipo de errores son, por supuesto, fácilmente detectado por los lectores.
Para ayudar al generador de revisión a mantenerse en la marca, Juuti y su equipo usaron una técnica llamada traducción automática neuronal para darle al modelo un sentido de contexto. Usando una secuencia de texto de 'calificación de revisión, nombre del restaurante, ciudad, estado y comidaetiquetas ', comenzaron a obtener resultados creíbles.
"En el estudio de usuarios que realizamos, mostramos a los participantes reseñas reales escritas por humanos y críticas falsas generadas por máquinas y les pedimos que identificaran las falsificaciones. Hasta el 60% de las revisiones falsas se creyeron erróneamente como reales", dice Juuti.
Juuti y sus colegas idearon un clasificador que sería capaz de detectar las falsificaciones. El clasificador funcionó bien, particularmente en los casos en que los evaluadores humanos tuvieron más dificultades para determinar si una revisión es real o no.
Fuente de la historia :
Materiales proporcionado por Universidad de Aalto . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :