Con el crecimiento del comercio electrónico, cada vez más gente compra productos por Internet. Para aumentar la satisfacción del cliente, los comerciantes ofrecen espacios para reseñas de productos y servicios. Los productos con reseñas positivas atraen clientes, mientras que los productos con reseñas negativas los pierden. Siguiendo esta idea, algunas personas y empresas escriben reseñas falsas para promocionar sus productos y servicios o difamar a sus competidores. La dificultad para encontrar estas reseñas radica en la gran cantidad de información disponible. Una solución es utilizar técnicas y herramientas de minería de datos, como la función de clasificación. Explorando esta situación, el presente trabajo evalúa técnicas de clasificación para identificar reseñas falsas sobre productos y servicios en Internet. La investigación también presenta una revisión sistemática de la literatura sobre reseñas falsas. La investigación utilizó 8 algoritmos de clasificación. Los algoritmos se entrenaron y probaron con una base de datos de hoteles. El algoritmo CONCENSO presentó el mejor resultado, con un 88% en el indicador de precisión. Tras la primera prueba, los algoritmos clasificaron reseñas en otra base de datos de hoteles. Para comparar los resultados de esta nueva clasificación, se utilizó el algoritmo Review Skeptic. Los algoritmos SVM y GLMNET presentaron la mayor convergencia con el algoritmo Review Skeptic, clasificando el 83% de las críticas con el mismo resultado. La investigación contribuye al demostrar la capacidad de los algoritmos para comprender las reseñas reales de los consumidores a productos y servicios en Internet. Otra contribución es ser pionero en la investigación de reseñas falsas en Brasil y en la ingeniería de producción.
1. INTRODUCCIÓN
With the e-commerce growth, more people are buying products over the internet. To increase customer satisfaction, merchants provide spaces for consumers to comment about the products and services they buy. With the largest number of customers using the internet, the amount of reviews that products receive grows (Hu & Liu, 2004). American Express affirms that 58% of users who read reviews on the Internet trust more on the product or service if there are positive reviews (Column Five, 2014). Products with more positive reviews attract customers, while products with negative reviews lose customers (Xie et al., 2012). Faced with this fact, some individuals and corporations write fake reviews (spam review, opinion spam) to promote their products and services or defame their competitors. Fake reviews make social media sources of lie and control information to mobilize people against a target (Liu, 2012).
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Enfoque MDA para el diseño de un data warehouse difuso
Artículo:
Iniciativa empresarial con jóvenes que cumplen penas de prisión
Artículo:
Alineamiento constructivo en el diseño de juegos para actividades de aprendizaje en educación superior
Video:
Second life : plataforma petrolera
Artículo:
Innovación y propiedad intelectual: comportamiento de los motores de la innovación y el desarrollo
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Artículo:
Nuevas necesidades cosméticas : tendencias y productos específicos
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.