Автоматизация выявления заказных отзывов на маркетплейсах при помощи экспертных признаков и реакций покупателей

Авторы представляют практическое исследование особенностей заказных отзывов, которые упоминаются маркетологами и другими экспертами. Из-за обилия заказных отзывов на маркетплейсах доверие потребителей падает не просто к продавцу или площадке, но к самому жанру. В работе представлены результаты автоматической классификации отзывов с российских маркетплейсов на потенциально заказные и честные при помощи моделирования признаков, которые эксперты называют признаками заказного отзыва (наличие шаблонных слов, восклицательных знаков, эмодзи, положительная тональность), и алгоритмов машинного обучения. Для решения поставленной задачи был собран корпус с российских маркетплейсов Wildberries и «Мегамаркет» объемом 6 288 текстов. В качестве целевой переменной (предсказываемого класса) выступает соотношение лайков и дизлайков, поставленных отзыву другими покупателями. Лучший результат демонстрирует метод опорных векторов SVM (англ. support vector machine) в бинарной классификации на отзывы с низким и высоким рейтингом (без нейтральных). Модель классификации подтверждает, что формальные признаки, выделяемые экспертами как указывающие на заказные отзывы, действительно имеют предсказательный потенциал. Качество модели снижают дисбаланс в классах и недостаточное количество отзывов с реакциями покупателей в нашем корпусе, что оставляет задел для дальнейшей работы.

1. Ахмаева Л.Г. Влияние возрастной и гендерной специфики пользователей социальных сетей в России на методы маркетинга и рекламы. Цифровая социология. 2020;3(3):21–28. http://doi.org/10.26425/2658-347X-2020-3-3-21-28

2. Величко И.Ф., Леонова Л.И. Отзыв на товар как тип текста (на примере популярного интернет-магазина). В кн.: Исследования молодых ученых: материалы студенческой международной научно-практической конференции, Курск, 12 апреля 2022 г. Курск: Курский институт кооперации (филиал) Белгородского университета кооперации, экономики и права; 2022. С. 123–127.

3. Назаров Д.М. О влиянии отзывов потребителей в интернете на решения о покупке. Столыпинский вестник. 2022;7(4):3728–3735.

4. Юдалевич Н.В. К вопросу о важности предоставления отзывов при покупках на маркетплейсах. Бизнес-образование в экономике знаний. 2023;2(25):67–72.

5. Bulchand-Gidumal J., Melián-González S. Fighting fake reviews with blockchain-enabled consumer-generated reviews. Current Issues in Tourism. 2024;5(27):739–753.

6. Fiallos A., Anton E. Towards reliable app marketplaces: machine learning-based detection of fraudulent reviews: Proceedings of the 7th International Conference on Applied Informatics, October 24–26, Viña del Mar, 2024. Cham: Springer; 2024. Pp. 229–242.

7. Kim J.M., Park K.K., Mariani M., Wamba S.F. Investigating reviewers’ intentions to post fake vs. authentic reviews based on behavioral linguistic features. Technological forecasting and social change. 2024;198:122971. http://dx.doi.org/10.1016/j.techfore.2023.122971

8. Krishnaiah K.R. Predicting fake online reviews: a comprehensive study of supervised and semi-supervised learning models. Turkish journal of computer and mathematics education (TURCOMAT). 2023;3(14):392–399.

9. Malik A.Z., Sadeghi K.R., Paswan A., Kanwal F. Incentivized fake reviews: when cognitive reappraisal paves the way for an immoral journey. Journal of Consumer Behaviour. 2024;4(23):1962–1978. https://doi.org/10.1002/cb.2315

10. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O. et al. Scikit-learn: machine learning in Python. Journal of Machine Learning Research.2011;12:2825–2830.

11. Rogers A., Romanov A., Rumshisky A., Volkova S., Gronas M., Gribov A. Rusentiment: an enriched sentiment analysis dataset for social media in Russian: Proceedings of the 27th International Conference on Computational Linguistics. Santa Fe: Association for Computational Linguistics; 2018. Pp. 755–763.

12. Shukla A.D., Goh J.M. Fighting fake reviews: authenticated anonymous reviews using identity verification. Business Horizons. 2024;1(67):71–81.

13. Thao L.Q., Kien D.T., Thuy D.T.T., Thuy L.T.M., Bach N.Ch., Duc T.T. et al. Designing a deep learning-based application for detecting fake online reviews. Engineering Applications of Artificial Intelligence. 2024;134:108708. https://doi.org/10.1016/j.engappai.2024.108708