面向AIGC视域下虚假评论的新特点及其影响，本书首先从理论角度探讨虚假评论的产生原因、动机、识别技术方法及监管体系，归纳虚假评论识别与治理的相关理论与方法，然后基于实验与实证角度，从技术与用户的双元视角深入探讨虚假评论识别、感知与治理问题。具体而言，一方面从技术视角探索基于不同模型的虚假评论客观特征提取及其识别方法，在此基础上，进一步研究用户如何感知、评价并采纳虚假评论，以及用户视角下虚假评论的特征；另一方面，综合技术和用户视角的研究成果，从多个角度探讨AIGC视域下虚假评论的治理路径，本书的诸多发现为解决新技术背景下的虚假评论识别及治理问题提供了理论与实践参考。
更多科学出版社服务，请扫码获取。
(1) 2009-9至2012-6, 武汉大学, 信息资源管理, 管理学博士
(2) 2006-9至2008-6, 华中师范大学, 图书馆学, 管理学硕士
(3) 2000-9至2004-6, 武汉科技大学, 计算机科学与技术, 工学学士（1）2012-07至2014-11，武汉大学，博士后
（2）2012-07至2016-01，武汉大学信息管理学院，档案与政务信息系讲师
（3）2015-08至2016-08，美国北卡罗来纳大学教堂山分校，访问学者
（4）2016-02至2021-05，武汉大学信息管理学院，档案与政务信息系副教授
（5）2021-05至今，武汉大学信息管理学院，档案与政务信息系教授信息资源管理、自然语言处理、用户/AI生成内容（认知科学/用户研究/深度学习方向）作为通讯作者、第一作者发表论文67篇，其中SCI检索8篇、SSCI检索12篇、CSSCI检索15篇、其他核心期刊检索32篇（包含国际会议论文与北大核心期刊论文）。
代表性论文：
[1] Zhang, S.T., Wang, P.*, Li, Z.C., Hou, J.R., Hu, Q.B. Confidence-based Syntax encoding network for better ancient Chinese understanding. Information Processing & Management. 2024. （SSCI, Q1, IF=8.6）
[2] Hou, J.R., Wang, P.*Assemble the shallow or integrate a deep? Toward a lightweight solution for glyph-aware Chinese text classification. PLoS One. 2023. （SCI, Q3, IF=3.7）
[3] Li.Q., Liu, C.F., Hou, J.R., Wang, P.*Aff档案智能开发与服务国家档案局重点实验室副主任
中国档案学会影像技术委员会副主任委员
中国档案学会档案信息化技术委员会委员
《山西档案》、《档案学刊》编委会委员
武汉大学人文社会科学青年学者学术发展计划“人机交互与协作”学术创新团队成员
目录
前言
第1章 绪论 1
1.1 研究背景及意义 1
1.1.1 研究背景 1
1.1.2研究意义 6
1.2 国内外虚假评论研究现状 9
1.2.1 虚假评论产生原因与动机 9
1.2.2 虚假评论影响及危害 16
1.2.3 虚假评论识别方法 20
1.2.4 虚假评论监管体系 28
1.2.5 研究现状小结 34
1.3 研究内容及方法 37
1.3.1 研究内容 37
1.3.2 研究方法 40
1.4 本书的创新点 41
参考文献 43
第2章 AIGC视域下虚假评论感知治理理论与识别方法 56
2.1 AIGC视域下虚假评论感知治理理论 56
2.1.1 虚假评论产生、传播与感知的相关理论 56
2.1.2 虚假评论危机治理的相关理论 64
2.2 AIGC视域下虚假评论识别方法 70
2.2.1 传统机器学习方法 70
2.2.2 深度学习方法 78
参考文献 86
第3章 AIGC视域下虚假评论客观特征与主观感知行为分析 89
3.1 虚假评论的客观特征分析 89
3.1.1 基于评论内容的特征 89
3.1.2 基于评论者行为的特征 97
3.2 虚假评论的主观感知与行为分析 102
3.2.1 用户感知视角下的虚假评论特征 102
3.2.2 用户虚假评论感知与采纳行为的影响因素 110
3.2.3 基于虚假评论感知驱动的用户信息鉴别行为分析 118
参考文献 124
第4章 基于对比学习的电商平台虚假评论识别模型 139
4.1 问题的提出 139
4.2 研究现状 140
4.3 基于对比学习的电商平台虚假评论识别模型构建 141
4.3.1 基于对比学习的文本分类模型SimCSE 141
4.3.2 基于有监督SimCSE的虚假评论识别模型构建 142
4.4 实验研究 146
4.4.1 实验设计与结果 146
4.4.2实验结果及分析 152
4.5 小结 159
参考文献 161
第5章 基于上下文学习的不平衡虚假评论识别方法 163
5.1 问题的提出 163
5.2研究现状 164
5.2.1大模型与上下文学习 164
5.2.2 基于不平衡数据的网络虚假信息识别技术 166
5.3 预实验 168
5.3.1 实验设置 169
5.3.2 预实验结果及分析 170
5.4 基于上下文学习的虚假评论识别框架 171
5.4.1 基于文本相似度的示例选择模块 172
5.4.2 示例排序模块 173
5.4.3 上下文学习偏见校准模块 174
5.5实验研究 175
5.5.1 实验准备 175
5.5.2 实验结果及分析 177
5.6 小结 183
参考文献 184
第6章 融合用户与AI生成内容的虚假评论意图的多模态识别预测框架 188
6.1 问题的提出 188
6.2 研究现状 190
6.2.1 基于深度学习技术的AI生成内容识别 190
6.2.2 基于多模态深度学习的网络虚假信息识别技术 191
6.3 虚假评论数据集及意图识别的多模态框架构建 192
6.3.1 虚假评论数据集构建 192
6.3.2 虚假评论意图识别的多模态框架 196
6.4 实验研究 203
6.4.1 实验准备 203
6.4.2 实验结果及分析 205
6.4.3 不同实验设置下模型性能的统计检验 207
6.5 小结 208
参考文献 210
第7章 AIGC视域下虚假评论用户感知与采纳 214
7.1 问题的提出 214
7.2 研究现状 216
7.3 模型构建 219
7.3.1 理论背景 219
7.3.2 假设发展 223
7.4 研究方法及实验 226
7.4.1 调查问卷 226
7.4.2 场景设计 228
7.4.3 数据收集 229
7.4.4 数据分析 230
7.5 实验结论 232
7.5.1 测量模型评估 232
7.5.2 结构模型评估 233
7.5.3 假设验证 234
7.6 结论与讨论 235
7.6.1 讨论 235
7.6.2 总结 239
参考文献 239
第8章 AIGC视域下虚假评论治理要素与策略 249
8.1 问题的提出 249
8.2 虚假评论治理相关研究 250
8.3 AIGC视域下虚假评论治理信息生态要素分析 253
8.3.1 信息生态理论 253
8.3.2 AIGC视域下虚假评论治理的信息生态因子分析 254
8.4 基于信息生态理论的虚假评论治理策略 261
8.4.1 完善多元参与，构建协同高效治理格局 261
8.4.2 优化信息流管理，建立快捷响应机制 262
8.4.3 规范技术要素管理，实现技术赋能精准高效治理 264
8.4.4 引导正向社会规范，推动网络空间社会共治 265
参考文献 266
第9章 总结与展望 269
9.1 研究总结 269
9.2 未来展望 270
9.3 结束语 271
彩图
书单推荐
