计算机工程

作者：李丹, 谢语涵, 韩潇帅, 吕晨

单位：1. 上海财经大学浙江学院经济与信息管理系, 浙江 金华 3210002. 上海财经大学信息管理与工程学院, 上海 2004333. 上海财经大学计算机与人工智能学院计算经济交叉科学教育部重点实验室, 上海 200433

关键词：情感增强,生成对抗网络,虚假评论检测,社交网络评论,BERT

基金：国家自然科学基金(62476164); 教育部人文社会科学研究课题(24YJCZH197)

针对当前虚假评论检测模型存在的深层情感特征挖掘不足、语义依赖关系缺失以及泛化性能不佳的问题, 提出一种基于情感加权BERT与多任务对抗学习的虚假评论识别模型DEBR-GAN。首先, 借助情感词典辅助预训练BERT, 通过情感加权机制对评论文本中的潜在情感信息进行提取, 从而增强对评论中细微情绪变化的捕捉能力; 随后, 采用循环神经网络(RNN)对BERT输出的语义特征进行处理, 充分挖掘评论中词语之间的时序依赖及上下文关系, 以提高对文本细节的敏感性; 接着, 为提升模型在多领域场景下的鲁棒性与泛化能力, DEBR-GAN借鉴了生成对抗网络(GAN)的对抗学习思想, 将虚假评论检测器视为特征生成器, 用于提取跨领域共享的有效特征, 同时, 通过设置类别鉴别器和评分鉴别器, 在反向传播过程中采用梯度反转技术, 与生成器进行对抗博弈, 有效消除类别信息和用户评分偏好对特征提取过程的干扰, 从而保证检测器在识别虚假评论时具有高准确性。实验结果表明, 在大众点评数据集上, DEBR-GAN模型的F1值高达0.926, 与未引入多任务对抗学习模块的模型相比, 其分类准确率提高了5.1百分点, 而相较于当前最佳基线模型则提升了3.51百分点。此外, 该模型在处理不同情感倾向和语义结构的评论时均表现出较高的识别准确率, 充分验证了情感增强与对抗学习相结合在虚假评论检测中的有效性与优越性。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期