TELKOM NIKA , Vol.14, No .4, Dece mbe r  2016, pp. 15 10~152 0   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i4.3654    1510      Re cei v ed Ma rch 3 0 , 2016;  Re vised O c to ber 24, 20 16;  Accept ed No vem ber 1 0 , 2016   Resear ch on Identification Method of Anonymous Fake  Reviews in E-commerce      Lizhen Liu* 1 ,  Xinlei Zhao 2 , Hanshi Wa ng 3 , Wei Song 4 , Chao Du 5   Information a n d  Engi ne erin g Coll eg e, Capit a l Norma l Un iv ersit y , Bei j i ng 1 000 48, P. R. Chin a   *Corres p o ndi n g  author, e-ma i l : liz_li u @1 26.c o m 1 , xinl ei 891 2 @ sina.c o m 2 , necroston e@si n a .com 3 ,  w s ong @ c nu .ed u 4 , cnuie _dc @12 6 .com 5       A b st r a ct   In this  pa per,  a  new   meth od  has  be en  pro pose d  for  id entifyin g   a nony mous f a k e  rev i ew s  gen erate d  by  c lick far m ers  in   E-commerce  a nd i m prov es  th e id entific atio n  rates. Ano n y m ous fak e  rev i e w s  are d i fferent fr om the  gu nui n e  revi ew s. They coul d b e   dist ing u ish ed  bas e d  o n  the  cred i b ility  of users,  the  avera ge da ily nu mb er  of eva l uati ons , th e c ontent s i mil a rit y , and  the  de gree  of w o rd  overl app in g. T h e   prop osed  meth od takes into a ccount thes e 5  features to calculate the fake  review s content by constructi n g   mu ltivari a te li n ear regr essi on  mo del, Ex per iments sh ow  that this pr eli m ilnary w o rk p e rforme d w e ll i n   ide n tifying  fak e  revi ew s in  Chin ese E-c o mmerc e  w ebs i t e. T he extrac ted featur es a r e als o  us eful  to  ide n tifying th e fake revi ew s when the rev i ew er ’ s  id entificati on  is not acc e s s abl e.     Ke y w ords : vol u me of fake re view s, feature extrac tion,  mult i-lin ear re gress i on, click far m i n g     Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  It is ovserve d  that the E-co mme rce a nd  opinio n -sharin g we bsi t e are gaini n g  their  popul arity followin g  the e m erg e n c e of   Web 2.0 [1]. Online co mmenting a n d  revie w ing  are   widely  ado pte d  in  many  E-commerce  pl atform  su ch  a s   Amazo n , Ta o bao, a n d  Tm all, whi c h  allo w  use r s to ex chang e thei r p u rcha sing  or  con s umi ng  e x perien c e s .  Positive reviews can in cre a se   sho p ’s reput ations a nd at tract mo re custome r s, wh ile negative one s may bri ng out poten tial  s a les  loss  [2 ]. C o ns u m er s   u s e th ese  r e view s   no t o n l y to  re c e ivew or d- of- m o u t h   ( W OM)   information on products,  su ch as quality, suitability and utility,  but al so to input their own reviews  to advice oth e r co nsume r s [3]. As the influence of  online revie w  be comin g  a criti c al facto r  of the  E-com m erce   market,  unfo r tunately, it is notice d  h und red s  of  cli ck f a ring  group s  have  sprung  u p   in recent years whi c h deliv ering b undl es of fa ke positi v e reviews to  merchant s requiri ng a qui ck  and di rty wa y to boost th eir po pula r ity. The co n s u m ers who m a ke  purch ase de cisi on re ly on   those fa ke re views p o ste d  by ‘click fra m er’ coul d b e  disa ppoi nte d  as the p r od uct will not m eet  their expe cta t ion [4]. Moreover, many E-com m erce   platform s pro t ect the prica c y of the use r s  throug h p r ovi d ing a nonym ous  evaluatin g se rvice s ,  p o tentially facil i tates the g e neratio n of fa ke  rev i ew s.   No w, the d a ta se cu rity is  the bigg est i s sue fo r the  con s um ers in  E-comme rce  [5]. So   anonymo us f a ke  revie w s analysi s  h a s  d r o w n ma ny re sea r che s ’ attention.  The rea s on  of   investigatin g the fake revi ews in E-co mmerce  is t o  identify th e fake revie w s an d help  the  con s um ers to  get ge nuin e   informatio n of  the p r od uct or se rvice  th e y   want con s u m e.  The r efo r e,  how to id entify the anonym ous fa ke reviews in E- com m erce is  a n e ce ssary  work. But, very fe w  resea r chers  explore  an on ymous fa ke  review i dentif ication  topi c ti ll no w. Y. Fu  and  B. H.  Dong   [6] provide  a  model to  extract the fa ke  review s from   Taoba o a nd  Tmall web s ite, but the m e thod  they employ ed is rely on  som e  inte rn al bu si ne ss  data, thu s  m a y not ap plicable to  other E- comm erce pl atforms. Thi s  resea r ch tries to se t up a model to identify on anonymous fake revi e w   purely  rely  o n  pu blic reviews. In stea d o f  usin g spe c i a l  custo m er databa se, ou r  mo del achi eves  the goal by e x tracting review feature an d model trai ni ng upo n publi c  revie w s.   For the p r o b l e ms m ention ed above, th e pape r firstly propo se s fi ve assumptio n s of the   feature extra c tion ba se d on analy s is  of eval uation  pro c e ssi ng.  Simultaneo usly, a co ncept   named Vo FR is defined t o  com pute fa ke review s. Then a  sup e r vised m odel  for finding click  farming  pro d u ct an d dete c ting fa ke re views i s  dev elope d with  VoFR. Finall y , the experi m ent  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Identification  Method of An onym o u s  Fa ke Re vie w s in  E-com m e rce  (Lizhen Li u)    1511 sho w s  the  su pervised   VoF R   m odel a c cura cy is 92.5 % , precisi on i s  94.7%, the recall is 90%.  In   addition,  th e uniqu e contri bution of  the  pape r fills the  gap s i n  id en tification of  a nonymou s  fa ke   rev i ew s.   The rest of t he pa per i s   orga nized a s  follows. Rel a ted work is  reviewed in  Section 2 .   Based  on  a n a lysis of eval uation  pro c e s sing,  we  p r op ose  five a s su mptions in  Se ction  3, follo wed  by extraction  of the featu r e  functio n s  and su pe rvised VoFR mo dle in Sectio n 4. Section 5  pre s ent s ou r detailed exp e r imental resul t s. We su mm arize this work in Section 6 .       2. Related Work   Gene rally, the re sea r ch re lated to analy z ing the fa ke  reviews  can  be ro ughly fal l en into   two cate gori e s: identifying the text of fake  reviews an d identifying the cli ck farm ers.   For fake text  detectio n , Jin dal, et al.,  [7-9] propo se d the con c e p t of fake revie w s in 2007   at the first time. He coll ect ed the revie w s from Ama z on and m anu ally labelled t he fake  revie w s.  Logi stic  reg r ession  is em ployed i n  hi s re se arch  to   identify the f a ke  reviews.  Lai, et  al., [10]  prop osed a  reco gnition m e thod na med  unigram mo del. The g r a mmars an d format s of the  text  are used  as f eatures for  cl assification.  Ott, et al ., [11] formulated t he probl em  of identifying f a ke   reviews a s  a  binary  cla ssi fication p r obl em. Besid e s   that, the fak e  reviews  are  s o lely identified  throug h the texts in [12-1 4 ]. Even through hug e progre s s ha s been mad e  in text based f a ke   review dete c t i on in  re ce nt  years, th e m e thod s r equi re hig h  level  u nderstan ding s of th e  word s in  the revie w s,  whi c h i s  ha rd to a r chive  sin c e the  fake  revie w s  are inte nde d  to misle ad  the  con s um ers.   For  dete c ting  the  click fa rmers, rese arche r s a s sum e  the  cli c k fa rmers  co uld  gene rate   more fa ke  reviews than  the gen uin e  revie w s. Referen c e s  [ 4 , 15] tra c k the beh avior o f   con s um ers to  detect the cli ck fa rme r s. Li u, et al ., [16]  exploited an ‘ unde sired rul e ’ to identify the   fake revie w e r s. Ho wever, the aforem ent ioned alg o rith ms co uld onl y identify a s pecifi c  categ o ry   of click farm e r s. Mu khe r je e ,  et al., [17, 1 8 ] co n s ide r e d  the gene ratin g  of fake reviews as  a gro u p   behavio r, he prop osed a triple-cross mo del to ident ify the click farmers throu g h  integrating t he  grou p featu r e s  an d individ ual features.  Refere n c e s  [19, 20] con s i dere d  the  rel a tions  betwe en  the reviewers, reviews a n d  shop s  to identify the c lic k   farmers .   In this pap er,  both the u s erID a nd hi storic  activity of the con s um ers  are  not a v ailable   unde r ano nymous  co nditi on, so that  we p r opo se   a new  way to solve the  probl em. The  fake   reviews a r e i dentified thro ugh feature e x traction an d  model trai nin g . The detail s  of the methods  are a s  followi ng.      3. Click Far m ing Ev alua tion Proces s i ng  To better u n d e rsta nd the f a ke  revie w s  and the f eatu r e of cli ck fa rmers, we inv e stigate d   the pipeli ne  o f  gene rating  fake  revie w s i n  Tao bao  &  Tmall, two l a rgest E - comm erce pl atform  in  Chin a. A det ailed m odel  o f  click fa rmin g is studi ed  comprehe nsiv ely. As sho w n in Fi gure 1,  the  survey fo und   that fake  revi ews a r e  gen e r ated  exac tly  the same  as  the ge nuine  reviews. As th e  the revie w  i s  made  ano n y mously, the r e i s  no  wa y  to acce ss the real ide n t i fication of t h e   con s um ers, whi c h brin gs  difficultie s to  our  in ve stigation. T h erefo r e,  we  pro p o s ed  five  assumptions to describe the anonym ous reviews:  the users’   credibility, the average daily  numbe r of ev aluation s , the  similarity of reviews  a nd  prod uct s  de scriptio n, the overlap  between   reviews an d ratio betwe en  sale s volume  and sh op ru nning time. F eature s  a r e e x tracted b a se d   on these assumption s and  then use d  to train a mod e l to identify the fake revie w s.           Figure 1. Click farmin g pro c e s s        Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1510 – 152 0   1512 3.1. Users  Credibilit y  Once co nsu m ers finishe d  their sho ppi ng and  evalu a ting, merch ants in Tao b ao&Tmall  will give the m  a positive  or neg ative rating. T he ‘p ositive’ rating  will add on e  point, ‘negat ive ’   rating  redu ce  one poi nt, thus  cau s ed  co nsum ers to  p r odu ce th e dif f erent u s e r  credibility. So, the   more  con s um ers u s e thei r ID for shoppi n g  the more  credibility they have.  Users cre d ibil ity reflect bot h the num ber of  good s that  the co nsume r  ha s pu rcha sed an d  the credit of the co nsume r  has. The  cre d ibilit y cann o t  be hidden e v en if the co nsum er  cho o s e   anonymity. Accordi ng to  o u r inve stigati on, the  cli c k farme r ’s  sala ry is p a rtially  depe nding  on  th e   cre d ibility. Hi gher credi bility is  corre s po nding to  hig h e r  sala ry. Ho wever,  wh at  we fo und i s   E- comm erce pl atform alway s  re stri ct the maximu m nu mber of revie w s that ca n b e  posted by  one  a c c o un t in   a   c e r t a i n  pe r i od . So  th e c l ick  far m er s ,  i n   usu a l, ha s  m u ltiple u s e r ID wh ose id enti t y  has not been verified by th e E-comm erce platfo rm. These auxiliary accounts al ways have lower  buying re co rds an d lower user  credibili ty, which  at the end, de cli nes the ave r age credi bility of  the p r od uct  who s e  revie w s a r e  gen erated by  the  c lick farm ers.  Also,  sin c e th e cost  of hi ri ng  a   click farm er  with high er  credibility is hi gher th an  hiri ng a cli c k farmer with l o wer credi bility,  the   mercha nt always cho o se to hiring mo re  click fa rme r s to generate  more reviews instead of hiring  some one  ha s more  experi ence. Hen c e,  we  a s sume  that ne gative  correl at ion exists between  the   use r s  credibili ty and numbe r of fake  revie w s that a p r o duct re ceive d :   Assumption I: The average user’s credibility of  a pr oduct with more fake revi ews is  lowe r than th e averag e user’s  credibly  of  a produ ct  with more ge nuine reviews.    3.2. Av erage Daily  Number of Ev aluations  The evaluatio n time can b e  obtain from  the  website,  almost all the merchant s cho o se   click fa rming  is for im proving sale s an d  rati ng. Th e  high  sale s m ean b e tter re putation, bett e r  prod uct s . Sim ilarly, these h i gher re putati on an d  sale s  sho p s will  attract mo re  co n s ume r s to b u y ,  and the n  th e daily n u m ber  of revie w s will i n cre a se. T h e s e  mercha nts  h a ve a  com m on   cha r a c teri stic that the average daily  nu mber of evalu a tions i s  lowe r.  As s u mption II: The  sc alping produc t s  av erage  daily number of  evaluations  is  lower than  norm a l pro d u c ts.     3.3. Similarity   of Rev i e w s  and Products Des c riptio n  Since fa ke  re views  are  not  gene rated t h roug h  any cu stome r   expe ri enc e, the con t ents of  the fake  revi ews a r e  always m onoton ous an d tire some. Th e o n l y sou r ce fo r cli c k farm ers to   obtain the informatio n abo ut the produ ct is through  readin g  its onl ine de scriptio n. Since the fake   reviews a r e u s ually ge ne ra ted and o r g a n ize d  ba sed  on  the de scri ption, re sult i n  a high  simil a rity  betwe en the fake reviews a nd t he de scri ption of the produ ct.  Assumption I II: The similarity between the  fake  reviews and t he  description of the  prod uct is hi g her than the  similarity between t he true  reviews and th e descri p tion  of the produ ct .    3.4. O v erlap bet w e e n  Rev i e w s   Acco rdi ng to   expecta ncy t heory  in  refe rence [21], th e motivation   force  exp e rie n ce d by   an individual t o  sele ct one  behavio r from  a larger  set is som e  functi on of the perceived likelih o od  that that behavior will   result  in the attainment of various  outcomes weighted by  the desi rability  of  these  out com e s to t he p e rson. Sin c e  itis n o t re wa rd  able to  publi s h a  ca refully  written  revie w ,   whi c h i s  gen erally  betwe e n  0.3  to 1.3   dollars, th e  cl ick farm ers,  who  a r e l a ck of real  custo m er  experie nce, a l ways  ch oo se  to edit a nd  reorg ani ze  pre v ious  revie w s. Therefore, t he fa ke  revie w s  alway s  plagia r ize e a ch oth e r. Refe ren c e  [22] refe rred  to a method  of detecting  text plagiarism,  COPS whi c h  detecte d do cument overl a p by rely ing o n  string m a tching an d se ntences. Le arni ng  the method , the overla p be tween reviews is calculate d .  Assu mption I V : The overla p betwe en fake revi e w s is higher tha n  the simila rity betwe en  the genui ne reviews.    3.5. Ratio be t w e e n  Sales  Volume and Shop Runni ng Time  Based o n  sta t istics, we found that there is  a relative  consta nt ratio betwee n  the selling   volume  and  the time  of th e onli ne  sh o p  e s tabli s he d .  A cli c k farming  sh op  u s ually  ha s  highe r  selling volum e  but short running time.   Assumption V:  The click  f a rm ing product has  a lower rati o between  selling vol u me and  sellin g age th an a normal p r odu ct.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Identification  Method of An onym o u s  Fa ke Re vie w s in  E-com m e rce  (Lizhen Li u)    1513 4. Superv ised VoFR Mod e l  We p r o p o s e  a ne w meth o d  to identify click fa rmin g p r odu ct by  co mputing the  volume of   face  reviews  (VoFR). Th e  VoFR i s  com puted b a sed  on the featu r es p r op osed  in Section  3, a  multi-line a r  regre s sion  m odel i s  ad opt ed, and th e  result of the  multi-line a r  regre s sion i s   th e   VoFR m odel.  He re, the  VoFR  of cli c kfarmin g  p r o d u c t is 1, the V o FR  of a  normal p r odu ct i s  0 .   The mod e l is  defined a s  fol l owin g:    01 2 3 4 5 () () () () () ci t i s i o i r i Vo FR p p p p p         ( 1 )     () ci p , () ti p , () s i p , () oi p , () ri p respe c tively repre s e n t the feature f unctio n  of  use r s  credi bility, the average d a ily nu mber  of  eval uation s , simil a rity of revie w s  and  pro d u ct  descri p tion, t he ove r lapb e t ween  revie w s, and   the ra tio  betwe en sales  vol u me and regi strati on  time.  05 are the weig hts,  they are lea r ne d throu gh the training d a tase t.    4.1. Credibilit y  Feature Function   Althoughthe  use r ID i s  an onymou s , nei ther coul d tra ck  any histo r i c  information  of any  click fa rme r s,  user’ s   cre d ib ility can b e  o b tained. T he  weig ht  is a s sign ed b a sed  on T able 1 . T h e   footnote rep r ese n ts the weight  of prod u c ts ’s  review.       Table 1. The  Weig ht ij   User s cr edibility   ij 0 gold cro w n   1  1 red hea rt   0.9  2 red hea rt   0.8  3 red hea rt   0.7  4 red hea rt   0.6  5 red hea rt   0.5  1 diamond   0.4  2 diamond   0.3  3 diamond   0.2  4 diamond   0.1  5 diamond and a bove  0      In Taobao, 0 Golden  Crown  represent s user  wi th t he lowest credibility. User with the  greate s t credi bility  is assi g ned the lo we st weig ht  to ensu r e the  cre d ibility of pro duct fall into the   interval of [0, 1].  Cal c ulation of  average  cred ibility following formula:     ' () () || ij i j j ci i j i c pC R            ( 2 )     '' '' () m i n ( () ) () ma x ( ( ) ) m i n ( ( ) ) ci ci ci ci c i pp p p p            ( 3 )     ij C represent s the average degree  of  credibility of the product  i p ’s review j r  ,  || i R rep r e s ent s the numb e r of  prod uct  i p of all  reviews,  () ij i j j c repre s e n ts th e sum of th e   numbe r of  p r odu cts  i p ’s revi ews  j r  with  the  co rrespon din g  weight s ij . The average  credibility  is comp uted  whi c h  contai n s  all th e fake  and  gen uine  revie w s  of o ne p r od uct. T he final valu e  is  norm a lized th roug h max-mi n norm a lization.  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1510 – 152 0   1514 4.2. Time Feature F unc tion   Time featu r e  function i s   usedto na me  t he  ave r ag e n u mbe r  of eva l uation s  du rin g  on e   day, is rep r e s ented by () ti p :    ' () i ti R p T             ( 4 )     '' '' () m i n ( () ) () 1 m a x ( ( ) )m i n (( ) ) ti t i ti ti t i pp p pp             ( 5 )     Whe r ein,  i R rep r esents all th e reviews of   i p ’s,   T re pre s e n ts the total days of coll e c tion to   obtain i R .    4.3. Similarity   Feature Fu nction   Since the  cli ck fa rme r s d o  not have custom e r  exp e rien ce, thei r reviews are  always  based  o n   the  descri p tion of  pro d u c ts, so that  t he  simil a rity between  the reviews  and th e p r od uct   can b e  used to cha r a c ter th e genui nene ss of the revie w .    (, ) || | | T ij ij ij i ij i si m rr rd rd            ( 6 )   ' () ( ( , ) ) s ii j i pM e a n s i m rd           ( 7 )     '' '' () m i n ( () ) () ma x ( ( ) ) m i n ( ( ) ) si si si si si pp p p p            ( 8 )     ij r rep r e s ent s th e vecto r   of review  j r for pro duct i p  ,  i d represents th e ve ct or  of th e   descri p tion of  produ ct i p , (, ) ij i sim rd  is the co sine  si m ilarity between produ ct i p  ’s revie w  and  its description, () s i p  is the norma lized  simila rity sco re.   Revie w s d a taset s  and  de scription  data s ets a r e b u ilt to calculate  the aforem e n tioned   simila rity,the pro c e ss i s  sh own in Fig u re  2.          Figure 2. Cal c ulatio n the si milarity    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Identification  Method of An onym o u s  Fa ke Re vie w s in  E-com m e rce  (Lizhen Li u)    1515 The simil a rit y  between e a ch review  with the pro duct de script ion is calcul ated to   measure the obje c tivity of  reviews. The  highe r t he de gree of simil a rity between  prod uct s  with  its   descri p tion, the less em otional word s it  used,  the m o re o b je ctive of the review. Base d on  the   AssumptionIII, the more  objective of   the review,  the hi gher possi bili ty of the review bel ongs to  a  fak e  review.     4.4. O v erlap Feature Fun ction   A wo rd  set  fo r e a ch review of p r od uct  i p is built, excl udi ng a n y du plicated  wo rds.   The   averag e overl ap value bet wee n  two word sets i s  co m puted a s  follo wing:     () 1 {} i NP ii j j Rr             ( 9 )     ' 0 || () ( ) max ( | | , | | ) ij i ij RR pM e a n RR           ( 1 0 )     '' '' () m i n ( () ) () ma x ( ( ) ) m i n ( ( ) ) oi oi oi oi o i pp p p p            ( 1 1 )     i R  re pre s e n ts word  colle ction  co ntain s   all t he  wo rd  set s   of i p  ,  ' 0 () i p  repre s en ts the   averag e overlap value bet wee n  any pai r of wo rd sets,  () oi p rep r e s ent s the norm a lized valu e   of overlap score.     4.5. Ratio Fe ature F unc tion   Analysis the  selling volum e  fi nd that the selli ng volume of  cli c k  farming shops are  l e ss  than the normal sho p s, h o weve r, their regist rati on time only have slight difference. Hen c e  we   add this featu r e into ou r model.     ' () i ri i G p L             ( 1 2 )     '' '' () m i n ( () ) () 1 ma x ( ( ) ) m i n ( ( ) ) ri ri ri ri ri pp p p p             ( 1 3 )     i G represent s the total selling volume of product i p , i L  represe n ts the a ge of sho p i p ’s ,we  employ the same data no rmalizatio n m e thod to normalize o u r d a t a.      5. Experiment An aly s is   The overvie w  of the propo sed method i s  sho w n in Fig u re 3.         Figure 3. Experime n tal flow ch art   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1510 – 152 0   1516 80 pairs of produ ct are ra n domly sele ct ed as  the trai ning data s et, 20 pairs as a  testing  dataset.A multi-linea r reg r essio n  i s  le arne d o n  tra i ning d a taset, and te sted  on the te sti n g   dataset.    5.1. Training Data se t Coll ection   To investigat e the feature s  of fake rev i ew s, unde rst and the pipel ine of click farmin g,  1163 63 revie w s f r om T a o bao a nd Tm all platform  are  colle cted . The ge nui ne reviews  are   sele cted  an d  do wnlo ade d  from  the  sh ops wher e th e auth o rs  ha d pu rcha sed   somethi ng f r om.  The  sho p s h a ve truly g o o d  con s ume r   experie nce a nd existe d fo r a l ong  pe riod of time.  To   colle ct the fa ke  revie w s, t he auth o r  pre t ended to  be  a cli c k farm er. We fou nd th at fake  revie w s  are al so  overwhelm ed in T m all platform.  After  data prepro c e s sing,  featur e s   a r e extracted on  t h e   basi s  of assu mptions m ent ioned in  se ction 3.    5.1.1. Fake Rev i e w s   Data set  Thro ugh inve stigation, we  found that cli ck fa rming  produ cts a r e u s ually com e  wi th kick- started  onlin e sh op s who s e reviews a r e few  and  selling volum e s are lo w. T he qu ality of the  prod uct s  that  they sell is not  necessa ri ly worse tha n  their co mp etitors. The f a ke reviews  are  mainly ge nerated for imp r oving th eir  sellin g volu me, reven u e ,  and  ran k in gs.  Hen c e, t h e   followin g  rule s are e m ploy ed in pre p rocessing.   Rule 1: exclud e any reviews that contain i m age s or a d d i tional com m ent.  It is not usual  to insert ima ges o r  additio nal com m ent s in the fake  reviews.  Rule 2: exclud e any reviews that human cannot ide n tify.  A label can n o t  be assi gne d  if human cou l d not disting u ish the revie w .  Rule 3: exclud e any reviews t hat contain  advertiseme n t s.  In practi ce, th ese reviews can be excl ud ed throu gh si mple heu ri stic rule s.    Rule 4: exclud e any reviews that  contain real sh oppin g   experie nce.  Rule 5: exclud e any negativ e reviews.   Based  o n  five rule s, reviews of  ne ck a nd  sho u lde r   massag e  hav e be en  preproce s sed ,   as sho w n in  Table 2.       Table 2. Ama z on, Ta obao  and Tmall d a ta comp ari s o n   Review s tex t   Rules  Product s is also prod uct, gave  a pr oduct choi ce  elders birthd a y  gift !   Like a p r oduct mothe r ,   product custome r  service attitude, logistics fast !   E xcessive additional period of time to  continue.  http://img.alicdn.com/bao/uploade d/i1/197630138 3 83715927/ TB2Iu NRhXXXXXaQX pXXXXXXXX XX_ ! ! 0 - rate.jpg   http://img.alicdn.com/bao/uploade d/i2/197630138 3 83737204/ TB2OGd Y h XXXXXX4 XpXXXXXXXX XX_ ! ! 0 - rate.jpg   Rule1  Product ver y   pro duct, praise.  Rule 2  Professional tattoo, please add  QQ *********  Rule 3  Product packaging, housing also has  a correspon ding manufactur e rs. But the pr od uct gap is large,   does not meet the proper qualit y  b r and. T he use of fever phenomenon, the ge neral attitude of   customer  ser v ice Mike.  Rule 4  It’s completely  fa ke, I'm not black you,  w h a t  is to spread the p r oduc ts, on the value of a 20  y uan a   massage head is crooked, the intensity  is ver y  sm all, y e t I bought  40  y uan a pr odu ct, w ho do no t   believe, w ho  regr et, asked people  to click farming all the praise !   Rule 5      After pretreat ment the fake revie w s d a taset ha s a to tal of 80 pro duct s , 51 me rch ants,   1070 8 revie w s, related to t he eight cate gorie s of  clot hing, footwe a r , electroni c applia nce s , a n d   furniture etc.     5.1.2. Genuine Rev i e w s   Datase t  Contrast to f a ke  revie w s,  genui ne reviews ar e also  from Ali's T aoba o&Tmall  web s ite.  Facin g  the  same p r odu ct  and p r ice, the highe r t he  ran k ing th e  more li kely to  be sel e cte d . So   click fa rme r s prevalent in  ne wly e s tbli she d   sho p  o r  a n e w p r od uct. Fo r m e rcha nt who  sales  ran k ing s   alre ady hig h , there is no  ne ed f o r  click  fa rmi ng, be ca use t hese  sho p s i n  pre-sal e s h a ve  accumul a ted  a gre a t deal  of popul arity. So we  cho o s e hi ghe r sal e s me rcha nt, and  cho o se  the  recent reviews to set up g enuin e  revie w s  data s e t. High  sal e s  of prod uct s  ’re v iews  gen era lly   have ten s  of  thou sand s,  according  to  the ti me se quen ce, we cho o se  the reviews  ne arl y   2  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Identification  Method of An onym o u s  Fa ke Re vie w s in  E-com m e rce  (Lizhen Li u)    1517 months, an d  then pretre atment, artificial re m o ve advertisi ng reviews, get genui ne revi ews  dataset, used  for Vo FR mo del training.  T he g enui ne  reviews d a taset ha s a  total  of 80  p r od ucts,  50 merch ants, and 1056 55 reviews, rel a ted to eight ca tegorie s.     5.2. Superv ised VoFR M odel Analy s is   Feature functi on’s  cal c ulati ons  sho w  u s , ther e is diffe rent betwe en the fake  revie w s a nd  genui ne revie w s. Expre s se d as .. . . .. . . () ( ) ct s o r s h i l l ct s o r t r u t h pp  in Fig.4-8. We ch oo se  40 pairs of  the data as  sample.             Figure 4. Cre d it’s com p a r ison   Figure 5. Time’s compa r i s on           Figure 6. Similarity’s co mp arison   Figure 7. Overlap’ s co mpa r ison           Figure 8. Rati o’s compa r i s on   Figure 9. Cha nge of  2 R   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1510 – 152 0   1518 For the traini ng dataset 80  pairs of prod ucts ’ featu r e s  function re su lts, using the  amount  of data  accu mulated  gra d ually fitting m anne r VoF R   model, a nd t he mo del i s  f i tted with 1 0 , 20   and 4 0  pai rs datasetsg ra dually  accu m u lated, an d the  2 R ’s cha nge s are foun d  as  sho w n i n   Figure 9.  Acco rdi ng to  the  ch ange   of 2 R , w h en   c hoo s i ng  60  pa irs ,   2 R has a  do wnwa rd  tren d.   Whe n  ch oo si ng of 80 pairss,  2 R has imp r oved. It is specul ated that  as the data s et incre a se,  model fitting a grad ual increase in the degre e , the fi nal choi ce of 8 0  pairs as the  training set, get  the model pa rameters a s  shown in the followin g  Tabl e 3. Final determin a tion VoFR mo del:     0. 93 7 1 . 4 1 ( ) 0 . 2 9 7 ( ) 0. 15 7 ( ) 0 . 9 2 ( ) 0 . 2 3 6 ( ) ci t i s i o i r i VoF R p p p p p          Table 3. Mod e l para m eter  05   0   1 2 3 4 5   Value -0.937   1.410   0.297   0.157   0.920   0.236       Test d a tasets is compo s ed by 2 0  cli c k farmin g p r odu cts (3 22 52, 13  sh op s) an d 2 0   norm a l pro d u c ts (2 453, 13  shop s).T he critical val ue  is 0.5. If VoF R ‘s out put is highe r than 0 . 5,  the pro d u c t is identified cli c k farmin g, oth e rwi s e  i s  no rmal pro d u c t. The cl assifica tion re sults a r e   sho w n in Fig u re 10:       Figure 10. VoFR re sult s of the test dataset      5.3. Ev aluation Indicator s   The evaluatio n indicators: accuracy, pre c isi on, and re call. He re defi ned a s  follows:  | TP | is the number of cli c k farming p r od ucts   co rre ctly to be predi cted cli ck farmi ng.  | FP |is the number of the n o rmal p r od uct s  wrong to be  predi cted cli c k farmin g.  | FN | is the nu mber of cli c k farming p r od ucts  wrong to  be predi cted  the norm a l.   | TN |is the nu mber of no rm al prod uct s  correctly to be predi cted the  norm a l.  Formul a as fo llows:    || | | | | || || | | TP TN Ac cu r a cy TP F P TN FN           ( 1 4 )      || Pr || | | TP ec i s i o n TP F P            ( 1 5 )     || Re || | | TP ca l l TP F N            ( 1 6 )   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Identification  Method of An onym o u s  Fa ke Re vie w s in  E-com m e rce  (Lizhen Li u)    1519 A ccu ra cy  re p r es ent s  an a c cur a cy  of   clic k f a rmi ng p r o duct s  an d no rmal pro d u c ts  can  be  corre c tly cla s sified. Pre c isi on re pre s e n tsthe cl i c k farming produ ct s ca n be  su cce ssfully dete c ted   the ac curac y   rate. It reflec t s  the ac curacy of the  cl assi fication  re sult s of Vo FR  mo del. Recall th at  issaid th e p r obability of  a  co rrect  cl assification  of th e cli c k fa rmin g, sai d  th e p r oportio n   of cl ick  farming in tot a l prod uct s .  No w, almost  all resea r ch on fake revie w s a r e relyin g on Amazo n . We co mp ared the  different from  the revie w s  data on Ama z on, Ta oba o  and Tm all. As sho w n in T able 4. Diffe rent   data makes it  difficult on the study.      Table 4. Ama z on, Ta obao  and Tmall d a ta comp ari s o n   E-commerce  platform   Rating Review er sID  Review susefulness   T i me  User s  cr edibility   Users other  purchase  Users  ranking  Amazon  √   √   √   √   √   √   √   Taobao   ×  ×  ×  √   √  ×  ×  Tmall   ×  ×  ×  √   √  ×  ×      Table  4 tells that ano nymous u s ers  can not be  track the  pu rchase hi story  and t h e   reviews  can n o t be evalu a ted by ratin g , so  we  p r op ose Vo FR m odle to  cla s sify clickfa r mi n g   prod uct s  and  the fake reviews.   Referen c e [6] ,  the data s et  is al so from  Taoba o an d  Tmall. The  cli ck fa rme r s’ u s erI D  i s   obtaine d, tracki ng pu rcha sing info rmati onfor an alysi s  and getting  14 feature s . SVM algorithm   and KNN al gorithm are  resp ectively  applie d for i dentificatio n  click farmers in Taob ao.  Its   evaluation in dicato rs a nd  ours are sh o w n in Tabl e 5 .       Table 5. Evaluation Indi cat o rsCo mpa r ison   M e thod  A c c u rac y   P r ec i s i o n  Rec a l l   |TP |   |TN |   |FP |   |FN |   SVM 93%   88%   100%   30  26  4  0  KNN 78%   81%   73%   22  25  5  8  VoFR  92.5%   94.7%   90%   18  19  1  2      First, Refe re nce   [6] wa s analyzed  fo r click  fa rm e r s’ use r ID an d p u rcha sing  inf o rmatio n,  whi c h i s  difficult to obtain.  In the era  of data  security, su ch a n  app roa c h al so  co uld infrin ge o n   use r  p r ivacy,  it is un safe.  Our  data s et  is fr o m  the  publi c  inform ation in T a o bao a nd Tm all.  Secon d , sin c e the data is too spe c ific in  Refere nc e[6], thereby cau s ing po or  can  migrate. Third,   comp ari ng Referen c e [6]’ s 14 features,  our  re sea r ch   has  5 feature s . But the re sult of evaluation  index i s  not  much  differen c e. Preci s io n  is b e tte r tha n  SVM and  KNN. So  that,  some  featu r e s  in   Referen c e[6] are useless. Forth, Refere nce[6] con d u c ted re sea r ch   for the  co nsumers, while  this  pape rresearch for p r od uct s  which can  be ap plied  fo r any catego ry , more  com p rehen sive d a ta is  available.       6. Conclusio n s and Fu tur e  Work   Click farmi ng  in E-co mme rce is a n  unig nora b ly and  challen g ing i s sues, it misle a d ing the  con s um er' s   purcha s e d e c isi o n s . This paper  com pare s  the  click fa rm pattern an d no rmal   sho ppin g  pat tern, then  p r opo se s the  appli c ation  of the feature functio n  a nd multi-li ne ar  reg r e ssi on m e thod of  co n s tru c ting Vo F R  mo del. By cal c ulatin g th e volume  of fake  revie w s to  identify  click farming pro d u cts, real co nse u me r’ s  d e ci sion i s  p r ovided to u s ers. Expe rim ental  datasets o b ta in from  Chin a's l a rg est E - comm erce  pl atform’s  (Ta o bao a nd Tm a ll) revie w s, a n d   manual ta ggi ng the a nony mous user  re views  of st an dard  data  set s  to en su re t he a c cura cy  of  the data. Experime n ts  sho w  that by  calculation an d a nalysi s ,  the five feature s  fu nction s a s  inp u t   data for VoF R  model a r e  effective iden tification method.   The future work  will be further  study for Vo FR model,  extracting  feature funct i ons  and  feature s  of i m porta nce ra ting furthe r i m prove  t he a c cura cy  of  V o FR mod e l. And  the meth od  i s   extended to o t her fake  reviews to identify missi ng info rmation, an d to expand the  applica b ility of  Evaluation Warning : The document was created with Spire.PDF for Python.