北京时间6月23日上午消息,亚马逊将利用人工智能技术对抗虚假产品评论和评分,打击网购刷单行为。
亚马逊将部署一套全新的人工智能机器学习系统,因此,身份得到确认的消费者发表的评论将得到更高的权重,并将在更加突出的位置展示出来。而被其他用户标记为有用和及时的评论也将得到类似的待遇。
这套系统将把亚马逊认为精准的评论置顶,并使用这些评论来给商品评分。而之前的评分系统只是计算了所有评论的平均数,导致虚假评论对产品的整体评分产生了重大影响。
亚马逊对科技网站CNET表示,这套算法将于周五开始部署,初期的效果可能并不明显,但今后将会逐步改进。
用户评论已经成为网络购物诚信体系的基石:用户无法在购买之前亲自看到这些产品,因此,其他用户的评分和评价便成为了重要的参考信息。
这意味着营销人员必须不遗余力地影响评分,尤其是当产品在某个网站上架的初期。他们会发布虚假评论,并雇人刷单。这种行为在各大电子商务网站已经蔚然成风,而作为全球最大的网络零售商之一,亚马逊自然成为了重要目标。
事实上,刷单行为并不仅限于网络零售商。TripAdvisor和其他旅行网站同样受到这类行为的重大影响。
TripAdvisor英国高管詹姆斯·凯(James Kay)说:“我们拥有一整个团队来处理虚假评论问题,还使用了自动化系统和专门的团队来评估用户的评价,过滤虚假内容。”
为了赢得用户信任,越来越多的网站还是通过更加智能的系统处理用户评论,避免这一渠道遭到滥用。
亚马逊的这套人工智能系统将获得竞争对手和开发者的密切关注,倘若能够起到效果,便有望对刷单构成打击。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。