
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
论文提出CAST框架,通过多智能体系统把任务成败的粗略反馈转化为逐步动作的详细批评理由,训练出更懂节制的批评模型,再用它优化执行策略,让8B小模型在可靠性指标上反超120B大模型,提升智能体在真实动态环境中的稳定表现。
论文提出NavMCP框架,用意图、观察、记忆三条通道把VLM推理与导航基础模型NFM结合,解决具身问答中长距离探索问题,在多个基准和真实机器狗测试中均取得最优效果。
研究发现教师模型批改学生生成内容时噪声率高达50%,但学生依然能进步。作者发现真正起作用的是压制学生自己低概率词,据此提出无需外部监督的OPSA方法,在AIME24等数学测试上带来最高307%的提升。
PaperGym提出一套把科研论文转化为AI训练环境的方法,解决科研计划生成缺乏可验证奖励的难题,通过问题答案分离降低评分标准泄露,结合自蒸馏与强化学习两阶段训练,让小模型在多个基准上超越更大规模的商业模型。