Approches basées sur l’analyse des sentiments et les techniques d’apprentissage supervisé pour des systèmes de réputation robustes dans l’environnement du commerce électronique

Résumé

Les systèmes de réputation en ligne sont une partie nouvelle et active des environnements de commerce électronique tels que eBay, Amazon, Alibaba, etc. Ces sociétés utilisent des systèmes de réputation pour l’évaluation de la confiance en mesurant l’ensemble des commentaires donnés par les acheteurs, ce qui leur permet de calculer le score de réputation de leurs produits. Ces processus d’évaluation et de calcul sont étroitement liés à l’analyse des sentiments et à la fouille des opinions. Ces techniques intègrent de nouvelles caractéristiques aux tâches traditionnelles, comme la détection de la polarité pour les évaluations positives ou négatives. Par exemple, le manque d’honnêteté ou d’effort dans la fourniture des commentaires, par lequel les utilisateurs pourraient créer des commentaires fantômes à partir de faux commentaires afin de soutenir leur réputation. Le problème de la " réputation d’excellence " est courant dans le domaine du commerce électronique, où la plupart des commentaires sont positifs, ce qui entraîne des scores de réputation élevés pour les vendeurs. Un autre problème est que les vendeurs peuvent attribuer des commentaires injustes pour approuver ou rejeter un produit ciblé puisqu’une meilleure réputation mène à des profits plus élevés. Pour que les avis reflètent les expériences et les opinions réelles des utilisateurs, ces avis injustes doivent être détectés. Le problème des avis injustes peut être aggravé par la complaisance de plusieurs utilisateurs lorsque la crainte de représailles pour de mauvaises notes amène les évaluateurs à être de connivence, à manipuler et à tromper les autres. Il arrive souvent que les avis injustes présentent un patron statistique différent de celui des avis justes. L’objectif principal de cette étude est d’offrir une solution nouvelle et compréhensive pour la conception d’un nouveau modèle pour obtenir le système de réputation le plus précis, qui traite les problématiques existantes, telles que les fausses revues de rétroaction et les revues injustes à partir des revues d’opinion, la collusion et la manipulation et la problématique de la " toute bonne réputation " qui est actuellement rencontrée par les systèmes de réputation. L’objectif de la recherche proposée est d’utiliser une technique statistique permettant d’exclure les évaluations biaisées et d’illustrer son efficacité via des simulations. Pour ce faire, nous avons d’abord commencé par analyser les revues de films en ligne en utilisant des méthodes d’analyse de sentiment (SA) afin de détecter les fausses revues. Les méthodes SA et de classification textuelle sont appliquées à un ensemble de données de revues de films. Plus précisément, nous comparons cinq algorithmes d’apprentissage machine supervisé : Naïve Bayes (NB), Support Vector Machine (SVM), K-Nearest Neighbors (KNN-IBK), KStar (K*) et Decision Tree (DT-J48) pour la classification des sentiments des revues en utilisant trois bases de données différentes. Pour évaluer la performance de la classification des sentiments, ce travail a mis en oeuvre l’exactitude, la précision, le rappel et la F-mesure comme métriques de performance. Les résultats mesurés de nos expériences montrent que l’algorithme SVM surpasse les autres algorithmes, et qu’il atteint la plus grande précision non seulement dans la classification des textes, mais aussi dans la détection des fausses revues. Deuxièmement, nous avons effectué une étude comparative de quatre algorithmes d’apprentissage machine supervisé : Naïve Bayes (NB), Arbre de décision (DT-J48), Régression logistique (LR) et Machine à vecteurs de support (SVM) pour la classification des sentiments en utilisant trois bases de données de revues en Amazon, incluant les revues de vêtements, chaussures et bijoux, les revues des bébés ainsi que les revues des animaux de compagnie. Afin d’évaluer la performance de la classification des sentiments, ce travail a mis en oeuvre l’exactitude, la précision et le rappel comme mesures de performance. Les résultats de nos expériences montrent que l’algorithme de Régression Logistique (LR) est le meilleur classificateur avec la plus grande précision par rapport aux trois autres classificateurs, non seulement dans la classification des textes, mais aussi dans la détection des revues injustes. Enfin, le but du présent travail est d’utiliser une technique statistique pour exclure les revues injustes et d’illustrer son efficacité par des simulations. De plus, nous avons calculé les scores de réputation à partir des rétroactions des utilisateurs, en nous basant sur un modèle d’analyse du sentiment (MAS), afin d’obtenir des informations utiles à partir des revues, en se basant sur un algorithme de régression logistique avec deux sélections de caractéristiques différentes. Les résultats expérimentaux basés sur deux bases de données différentes démontrent l’efficacité de notre approche dans la récupération d’informations de réputation à partir des revues.

Date	3 juil. 2020
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Abdelouahed Gherbi (Directeur(-trice))