Een nieuwe stap in de strijd tegen professionele kwaadwillende gebruikers van e-commerceplatformen
Een baanbrekende onderzoekssamenwerking tussen China en de VS heeft geleid tot een innovatief detectiemodel voor kwaadaardige e-commerce beoordelingen, met de veelzeggende naam ‘Malicious User Detection’ (MMD). Dit baanbrekende systeem maakt gebruik van Metrisch leren en Recurrent Neural Network (RNN) technologieën om kwaadaardige recensenten te ontmaskeren en te labelen als Professionele Kwaadwillende Gebruikers (PMU’s).
De tactiek van PMU’s is om via subtiele wijzigingen in hun beoordelingen sabotage te plegen, reputatieschade aan te richten of zelfs afpersing te plegen. Dit gedrag kan de gebruikelijke detectiemechanismen van e-commerceplatformen omzeilen, aangezien ze vaak de logische relatie tussen tekstuele beoordelingen en sterrenbeoordelingen verstoren.
De uitdaging van het identificeren van professionele kwaadwillende gebruikers
Traditionele systemen vertrouwen vaak op duidelijke ‘uitschieters’ in beoordelingen of hoge boekingsfrequenties als aanwijzingen voor kwaadwillend gedrag. Echter, PMU’s weten deze filters te omzeilen door complexe strategieën te gebruiken, zoals het combineren van negatieve tekstuele beoordelingen met hoge sterrenbeoordelingen. Dit maakt het moeilijk om ze te onderscheiden van legitieme gebruikers.
Het nieuwe MMD-systeem adresseert deze uitdaging door middel van een hybride aanpak die de schizofrene poststijl van professionele kwaadwillende beoordelingen in kaart brengt. Door gebruik te maken van geavanceerde technologieën kon MMD op bijna menselijk niveau kwaadwillend gedrag onderscheiden van legitieme beoordelingen.
Vergelijking met bestaande benaderingen
De onderzoekers hebben MMD vergeleken met verschillende componentalgoritmen die veelgebruikt zijn in geautomatiseerde filtersystemen. Uit resultaten blijkt dat MMD op gelabelde datasets van Amazon en Yelp de professionele kwaadwillende gebruikers met de hoogste nauwkeurigheid kon identificeren.
MMD bleek superieur te zijn aan eerdere benaderingen en kan dienen als een effectieve voorverwerkingsmethode voor traditionele automatische filtermechanismen. Het systeem verbeterde ook significant de prestaties van aanbevelingssystemen op verschillende datasets, wat aantoont dat het de kwaliteit van gegevens kan verhogen door kwaadwillende gebruikers te identificeren en te verwijderen.
Conclusie
De bevindingen van dit onderzoek zijn veelbelovend en suggereren dat MMD niet alleen een effectief wapen is tegen professionele kwaadwillende gebruikers op e-commerceplatformen, maar ook een basis kan vormen voor het detecteren van kwaadwillige gebruikers in verschillende contexten. Met verdere ontwikkeling kan MMD een belangrijke rol spelen in het bestrijden van diverse vormen van misleidend gedrag online.
