
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
openGauss的目标是探索oGRAC和超节点深度融合的可能,打造超节点原生数据库。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。
上海AI实验室团队开发的Yume1.5是一个革命性的AI视频生成系统,能够从单张图片或文字描述创造无限可探索的虚拟世界。用户可通过键盘控制实时探索,系统8秒内完成生成,响应精度达0.836,远超现有技术。该系统采用创新的时空通道建模和自强制蒸馏技术,支持文本控制的事件生成,为虚拟现实和内容创作领域开辟了新的可能性。