Fake Review Detection on E-Commerce Platforms Using a Hybrid Anomaly Detection Approach: Combining Autoencoder and Isolation Forest

Resumo Técnico: Detecção de Anomalias Híbrida para Detecção de Avaliações Falsas

Definição do Problema
As plataformas de e-commerce enfrentam um desafio significativo proveniente do "spam de opinião" ou avaliações falsas, que distorcem as classificações de produtos e corroem a confiança do consumidor. Embora existam métodos de detecção de alto desempenho, eles dependem predominantemente de aprendizado supervisionado, o que exige conjuntos de dados rotulados extensos, caros de coletar, específicos para cada plataforma e difíceis de manter conforme as táticas de fraude evoluem. Abordagens não supervisionadas oferecem uma alternativa de baixo custo ao eliminar a necessidade de dados de treinamento rotulados, mas os métodos não supervisionados existentes muitas vezes carecem da robustez das linhas de base (baselines) supervisionadas. Além disso, abordagens híbridas que combinam detecção de anomalias baseada em reconstrução e baseada em isolamento têm sido bem-sucedidas na segurança de redes, mas permanecem subexploradas no contexto da detecção de avaliações falsas textuais.

Metodologia
Os autores propõem um framework híbrido de detecção de anomalias não supervisionada que integra Autoencoders (AE) e Isolation Forests (IF). O sistema opera através do seguinte pipeline:

1. Conjunto de Dados e Estratégia de Treinamento: O estudo utiliza o Amazon Fake Reviews Dataset, composto por 20.000 avaliações humanas reais e 20.000 avaliações falsas geradas pelo GPT-2. Crucialmente, o modelo é treinado de forma não supervisionada, utilizando apenas as avaliações reais para aprender a distribuição dos dados genuínos. Os rótulos são reservados exclusivamente para a fase de avaliação.
2. Extração de Características: Duas representações distintas de características são avaliadas para determinar o impacto da compreensão semântica:
   • TF-IDF: Vetores bag-of-words (unigramas e bigramas) limitados a 10.000 termos.
   • Embeddings BERT: Embeddings de sentenças contextuais (768 dimensões) derivados do modelo bert-base-uncased via mean-pooling, sem ajuste fino (fine-tuning).
3. Arquitetura do Modelo Híbrido:
   • Autoencoder: Uma rede neural treinada para reconstruir os embeddings das avaliações reais. Ela calcula um escore de anomalia ($s_{AE}$) baseado no Erro Quadrático Médio (MSE) da reconstrução. Um erro elevado indica um desvio do "manifold" normal das avaliações reais.
   • Isolation Forest: Um conjunto de árvores que isola pontos de dados por meio de particionamento aleatório. Ele calcula um escore de anomalia ($s_{IF}$) baseado no comprimento do caminho necessário para isolar uma avaliação; caminhos mais curtos indicam anomalias localizadas em regiões esparsas do espaço de características.
   • Fusão de Escores: A decisão final é feita usando uma combinação linear ponderada: $s_{hybrid} = \alpha \cdot s_{AE} + (1 - \alpha) \cdot s_{IF}$. Os pesos ($\alpha$) e o limiar de classificação são otimizados em um conjunto de validação para maximizar o F1-Score.
4. Linhas de Base (Baselines): A abordagem híbrida é comparada contra Autoencoders isolados, Isolation Forests isolados e um Support Vector Machine (SVM) supervisionado treinado com dados rotulados.

Principais Resultados
Os experimentos foram conduzidos em uma estação de trabalho local usando Python, PyTorch e Scikit-learn. Os resultados indicam:

• Superioridade Híbrida: O framework híbrido superou consistentemente ambos os modelos não supervisionados isolados em todas as métricas (Precisão, Recall, F1-Score, AUC-ROC).
• Impacto das Características: Os embeddings BERT superaram significativamente o TF-IDF em todas as configurações de modelo, gerando um ganho de desempenho de aproximadamente 5 a 8 pontos percentuais. Isso sugere que o contexto semântico é crítico para distinguir o texto gerado pelo GPT-2 da escrita humana.
• Desempenho Específico (Características BERT):
  • Híbrido AE+IF: Alcançou um F1-Score de 0,84 e um AUC-ROC de 0,89.
  • AE Isolado: F1-Score de 0,74.
  • IF Isolado: F1-Score de 0,75.
  • SVM Supervisionado (Limite Superior): Alcançou um F1-Score de 0,89 e AUC-ROC de 0,93.
• Comparação: Embora o SVM supervisionado tenha alcançado o maior desempenho (como esperado devido ao acesso aos rótulos), o método não supervisionado híbrido alcançou resultados competitivos (0,84 F1) sem exigir nenhum dado de treinamento rotulado.

Significância e Alegações
O artigo afirma que o framework híbrido proposto oferece um substituto escalável e de baixo custo para os sistemas tradicionais de detecção supervisionada em ambientes de e-commerce do mundo real. Sua principal significância reside na capacidade de entregar um desempenho de detecção competitivo (aproximando-se das linhas de base supervisionadas) enquanto remove completamente a dependência de conjuntos de dados rotulados caros e específicos para cada plataforma.

Os autores posicionam este trabalho como uma solução prática para plataformas onde a coleta de dados de avaliações falsas rotuladas é proibitiva. Eles reconhecem que, embora o método ainda não supere o aprendizado supervisionado, ele reduz a lacuna entre os métodos puramente não supervisionados e o desempenho supervisionado. O estudo também destaca a importância da representação de características semânticas (BERT) sobre os métodos tradicionais baseados em frequência (TF-IDF) para detectar spam gerado por IA.

Limitações e Direções Futuras
Os autores mencionam modestamente algumas limitações e direções futuras:

• Escopo do Conjunto de Dados: A avaliação baseia-se em fakes gerados pelo GPT-2; o desempenho contra modelos mais avançados (ex: GPT-4) ou fakes escritos manualmente ainda precisa ser testado.
• Restrições de Linguagem: A implementação atual é centrada no inglês. Os autores sugerem estender o framework para suportar línguas do Sudeste Asiático (ex: Bahasa Indonesia) para plataformas como Tokopedia e Shopee.
• Expansão de Características: Trabalhos futuros poderiam integrar características comportamentais do revisor e métodos baseados em grafos para modelar as relações entre revisor e produto, que são excluídas atualmente devido às limitações do conjunto de dados.
• Sensibilidade de Hiperparâmetros: O parâmetro de contaminação no Isolation Forest e a dimensionalidade do gargalo (bottleneck) no Autoencoder requerem ajuste cuidadoso e podem não se generalizar perfeitamente para conjuntos de dados com diferentes proporções de falso-para-real.