مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 17 65 2025 10 17 The Analysis of User Reviews on Digikala with the Aim of Detecting Deceptive Opinions تحلیل نظرات کاربران در فروشگاه دیجیکالا با هدف تشخیص نظرات فریبنده fa حسین سرلک دانشگاه صنعتی امیرکبیر علیرضا شیخ دانشگاه صنعتی امیرکبیر 2024 8 22 <p>This research investigates and analyzes user reviews on the Digikala platform with the aim of detecting deceptive opinions. Initially, user review data was collected and preprocessed, followed by the application of various machine learning models and large language models to identify deceptive reviews. The results indicated that deceptive reviews are often written by users with lower credibility, and reviews that receive more dislikes tend to be less credible. Additionally, positive reviews are the most prevalent, and users with positive reviews generally receive more likes. This study demonstrated that employing large language models and machine learning can enhance the detection of deceptive opinions and improve the accuracy of user review monitoring systems, aiding in better identification of valuable and influential users.</p> <p>این پژوهش به بررسی و تحلیل نظرات کاربران در فروشگاه دیجیکالا با هدف تشخیص نظرات فریبنده پرداخته است. ابتدا داده&zwnj;های نظرات کاربران جمع&zwnj;آوری و پیش&zwnj;پردازش شدند و سپس با استفاده از مدل&zwnj;های مختلف یادگیری ماشین و مدل&zwnj;های زبانی بزرگ، نظرات فریبنده تشخیص داده شدند. نتایج نشان داد که نظرات فریبنده معمولاً توسط کاربرانی با اعتبار پایین&zwnj;تر نوشته شده&zwnj;اند و نظراتی که تعداد دیسلایک بیشتری دریافت کرده&zwnj;اند، اغلب دارای اعتبار کمتری هستند. همچنین، نظرات مثبت بیشترین تعداد را دارند و کاربران با نظرات مثبت اغلب لایک&zwnj;های بیشتری دریافت می&zwnj;کنند. این پژوهش نشان داد که استفاده از مدل&zwnj;های زبانی بزرگ و یادگیری ماشین می&zwnj;تواند به بهبود تشخیص نظرات فریبنده و افزایش دقت سیستم&zwnj;های نظارت بر نظرات کاربران کمک کند و به شناسایی بهتر کاربران با ارزش و تاثیرگذار یاری رساند.</p> http://jour.aicti.ir/en/Article/Download/47692