RECONNAISSANCE DU LANGAGE DE LA FRAUDE PAR L'INTELLIGENCE ARTIFICIELLE : COMBINAISON DES APPROCHES DE TOPIC MODELING, DE STYLOMÉTRIE ET D’ANALYSE DE SENTIMENTS POUR LA DÉTECTION DE DECEPTIVE OPINION SPAM

AI-POWERED RECOGNITION OF THE LANGUAGE OF FRAUD : COMBINING TOPIC MODELING, STYLOMETRIC AND SENTIMENT MININGAPPROACHES FOR DECEPTIVE OPINION SPAM DETECTION

• Auteur / Autrice : Alibek Jakupov
• Direction : Besma Zeddini, Julien Longhi, Julien Mercadal
• Type : Thèse de doctorat
• Discipline(s) : STIC (sciences et technologies de l'information et de la communication) - ED SI
• Date : Soutenance le 27/11/2023
• Etablissement(s) : CY Cergy Paris Université
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie (Cergy-Pontoise, Val d'Oise)
• Partenaire(s) de recherche : Laboratoire : Systèmes et Applications des Technologies de l'Information et de l'Energie
• Jury : Président / Présidente : Samia Bouzefrane
• Jury : Examinateurs / Examinatrices : Besma Zeddini, Julien Longhi, Julien Mercadal, Antoine Doucet, Fabrice Mourlin, Sherin Moussa, Claude Duvallet
• Jury : Rapporteur / Rapporteuse : Antoine Doucet, Fabrice Mourlin

Mots clés

Mots clés libres

Deceptive Opinion Spam

Extraction des Caractèristiques

Topic Modeling

Analyse Stylométrique

Analyse des Sentiments

Artificial Intelligence

Deceptive Opinion Spam

Feature Engineering

Topic Modeling

Stylometric Analysis

Sentiment Mining

Artificial Intelligence

Résumé

Le Deceptive Opinion Spam prend généralement la forme de faux avis (négatifs ou positifs) postés par un internaute malveillant pour nuire à l'image d'une entreprise ou la gonfler. Comme ces avis ont été délibérément rédigés pour tromper le lecteur, les évaluateurs humains ne parviennent guère mieux que le hasard à détecter ces déclarations trompeuses. Il est donc urgent de s'attaquer à ce problème, car l'extraction de modèles textuels à partir de textes frauduleux avec des sous-structures significatives reste un défi. Dans notre recherche, pour mieux comprendre comment les mensonges sont exprimés dans les textes, nous avons d'abord considéré la tâche comme un problème de topic modeling, dans lequel nous avons construit un modèle pour apprendre les structures qui constituent une fausse critique, puis nous avons exploré les sorties de ce modèle pour identifier ces modèles. Les modèles thématiques peuvent être utiles dans cette tâche en raison de leur capacité à regrouper des documents multiples en ensembles plus petits de sujets clés. Comme les indices linguistiques des mensonges sont encore inconnus, l'un des principaux avantages de cette approche est que l'algorithme encourage les mélanges composés de quelques sujets seulement, ce qui rend la représentation plus facile à interpréter et offre des possibilités supplémentaires de révéler les formes et les structures au sein des systèmes de documents. Notre méthodologie s'est avérée utile pour cette étude, en révélant les indices lexicaux généralement utilisés par les réviseurs humains pour générer un langage trompeur. Nous avons ensuite étendu notre méthodologie en incorporant l'analyse des caractéristiques stylistiques et l'analyse des sentiments dans notre recherche. Ces techniques supplémentaires ont permis de mieux comprendre les aspects linguistiques et émotionnels des fausses critiques, ce qui nous a permis de mieux les identifier et les classer.

Deceptive Opinion Spam commonly takes the form of fake reviews (negative or positive) posted by a malicious web user to hurt or inflate a company’s image. As these reviews have been deliberately written to deceive the reader, human reviewers are faring little better than a chance in detecting these deceptive statements. Thus, there is a dire need to address this issue as extracting text patterns from the fraudulent texts with meaningful substructures still remains a challenge. In our research, to obtain a deeper understanding of how lies are expressed in texts, we first consider the task as a topic modeling problem, in which we constructed a model to learn the patterns that constitute a fake review, and then explore the outputs of this model to identify those patterns. Topic models may be useful in this task due to their ability to group multiple documents into smaller sets of key topics. As the linguistic cues of the lies are still unknown, a key advantage of this approach is that the algorithm encourages the mixtures composed of only few topics, which makes the representation more interpretable and provides additional opportunities to reveal the patterns and structures within the systems of documents. Our methodology proved to be useful for this study, revealing the lexical cues generally applied by human reviewers to generate deceptive language. We then extended our methodology by incorporating stylometric feature analysis and sentiment analysis into our research. These additional techniques provided deeper insights into the linguistic and emotional aspects of the fake reviews, enabling us to better identify and classify them.