Résumé
Le succès des marques, des produits ou des services dépend des avis en ligne publiés par
les consommateurs qui partagent leurs expériences. Par conséquent, ces avis deviennent un facteur essentiel dans les décisions d’achat des clients. Afin d’augmenter leur gain financier, certains individus ou organisations corrompus publient délibérément de faux avis pour promouvoir leurs produits ou dévaloriser ceux de leurs concurrents, en essayant d’induire en erreur ou d’influencer les clients. Il est donc crucial d’identifier les faux avis afin de préserver la crédibilité des avis en ligne. Les avis frauduleux et de façon plus générale les avis étant nombreux et provenant d’êtres humais, ils sont dans l’ensemble incertains et ambiguës, d ‘où la nécessité de modéliser ces imperfections. Ainsi, cette thèse propose la détection des faux avis tout en traitant l’incertitude. Un recours à la théorie des fonctions de croyance et aux techniques d’apprentissage automatique évidentielles a été élaboré pour représenter et traiter cette incertitude. Pour ce faire, nous proposons des nouvelles approches évidentielles pour détecter les faux avis en se fondant sur trois aspects à savoir: les avis, les spammeurs et les groupes de spammeurs. De plus, une méthode hybride combinant les deux catégories; la détection de spammeurs et de groupes des spammeurs est également réalisée, ce qui permet d’obtenir une meilleure qualité de détection des faux avis. Afin de prouver l’efficacité et la pertinence de nos propositions par rapport à la littérature, des expériences sont menées sur deux ensembles de données d’avis étiquetés réels extraits de Yelp.com.
Source: http://www.theses.fr/s273717
.
