211篇研究综述：大模型既能造假评论，也能抓假评论！
A Survey on Fake Review Detection: From Pre-trained Language Models to Large Language Models
📖 AI 总结
该综述从信息融合视角系统梳理了虚假评论检测领域2018年至2026年初的211项研究，按证据来源与融合层级对现有工作进行组织，涵盖评论文本、情感、评分行为、时间元数据、用户—商品图、多模态内容、外部知识及大语言模型生成内容等维度。文章追踪了从传统机器学习、深度学习到预训练语言模型和大语言模型的方法演进，分析了不同方法在文本、行为、结构与多模态信息上的融合方式，并总结了在Amazon、Yelp和OpSpam等基准上的性能趋势，同时指出标签构建、数据划分和评估协议差异带来的可比性局限。研究特别关注大语言模型带来的双重影响：既能生成流畅且具上下文感知能力的欺骗性评论，也为检测提供了更强的语义表示能力。文章最后提出对抗生成、跨域迁移、不确定性感知融合、缺失源鲁棒性、可解释性以及面向AI生成欺骗内容的可信评估等开放问题，为该领域后续研究提供了方向性参考。
🔑 关键词速览
| 虚假评论检测 | 识别在线评论中故意误导或欺骗性内容的任务，旨在维护评论系统的可信度。 |
| 预训练语言模型（PLM） | 在大规模文本上预训练的模型（如BERT），可为下游任务提供强大的语义表示。 |
| 大型语言模型（LLM） | 参数规模巨大的语言模型（如GPT系列），能生成流畅文本，也可用于检测任务。 |
| 信息融合 | 整合来自不同来源（如文本、行为、图结构）的证据，以提高检测性能。 |
| 对抗生成 | 利用生成模型制造对抗性虚假评论，以逃避检测或攻击检测系统。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅