Отзывы лж к 10: Відгуки про LG K10 LTE K430DS від користувачів

Смартфон LG K10 2017 вышел официально

LG K10 2017 стал новым топовым представителем K-серии в 2017 году. Смартфон был анонсирован в декабре прошлого года, а представили его на выставке CES 2017. Чего-либо выдающегося от новинки ждать не стоит, ведь это мобильное устройство доступного или начально-среднего ценового сегмента, но тем не менее, в нем присутствуют несколько приятных особенностей.

Корпус LG K10 2017 изготовлен из пластиковых материалов, а потому смартфон достаточно легкий. Задняя крышка съемная и стилизована под металл. Производитель хорошо поработал над эргономикой данного аппарата, чтобы за него можно было крепко ухватится рукой. На должном уровне находится и сборка устройства. Никаких люфтов и скрипов не наблюдалось.

Немаловажным аспектом в новинке является наличие скругленного 2.5D-стекла на передней панели, которое придает лучшее тактильное ощущение и защищает дисплей от воздействия внешних факторов. Как всегда, внизу нанесен логотип компании-производителя, а сверху имеется глазок камеры, датчики и решетка для разговорного динамика.

Задняя панель у смартфона съемная, что довольно редко встречается в мобильных устройствах за последнее время. На задней части девайса присутствует основная камера с однотонной вспышкой, расположенной ниже, а также логотип и решетка основного динамика, расположенная в левом нижнем углу. Под модулем камеры имеется многофункциональная кнопка, которая несет в себе дактилоскопический сканер отпечатков пальцев круглой формы, клавишу питания и предоставляет такие возможности, как активацию селфи съемки по одному касанию или скриншот экрана задействовав клавишу 2 раза.

На левой боковой грани производитель разместил только качельку регулировки громкости.

Правая грань располагает только выемкой для снятия задней крышки.

В верхней части мобильного устройства присутствует отверстие для дополнительного микрофона.

В свою очередь внизу корпуса расположен стандартный разъем для наушников, разговорный микрофон и порт microUSB.

Кроме того, по граням идет металлизированная рамка в форме английской буквы «U», которая сужается от середины к нижней части.

LG K10 2017 оснащен 5,3-дюймовым дисплеем, который хорошо сбалансирован между компактностью и потреблением контента на достаточно большом экране. Дисплейная панель идет с разрешением HD 1280 х 720 пикселей, что странно, учитывая в каком году мы живем, однако и данного разрешения хватает в достаточной мере. На первый взгляд дисплей немного резкий, но тем не менее цвета передаются точно.

В аппаратной основе LG K10 2017 лежит 8-ядерный процессор MediaTek MT6750 с рабочей частотой 1,5 ГГц, а в помощь ему приставлено 2 ГБ оперативной памяти. Конечно же по современным меркам «начинка» довольно слабая для класса данного устройства, но все еще наиболее высокопроизводительная среди смартфонов K-серии. Такого железа будет с лихвой хватать для серфинга по Интернету, общения в социальных сетях и играя в игры с небольшими требованиями к устройству. Для хранения данных установлен флэш накопитель на 16 ГБ с возможностью для расширения путем установки карт памяти формата MicroSD.

Автономность новинки обеспечивается за счет съемного аккумулятора на 2800 мАч. Учитывая, что девайс оснащен HD-панелью, то срок автономной работы будет достаточно продолжительным. Конечно же жизнь батареи будет зависеть от частоты использования смартфона и нагрузки на него. Более того, продлить срок автономности пользователю поможет предустановленная улучшенная функция сбережения энергии Doze, так как аппарат работает под управлением операционной системы Android 7.0 Nougat с поверх установленной фирменной оболочкой LG UX. К слову, интерфейс работает плавно, но чувствуется некоторая недостаточность плавности более дорогих моделей. Приложения загружаются не так быстро, как хотелось бы.

Основной модуль камеры у LG K10 2017 идет со стандартный по сегодняшним меркам сенсором с разрешением 13 Мп, а вот фронтальная камера в данном случае гораздо интереснее. Фронтальный датчик получил разрешение 5 Мп и широкоугольный объектив на 120 градусов.

Южнокорейская компания пока не объявила цены и дату продаж LG K10 2017, но ожидается, что стоимость составит около 150 долларов. На рынке будут присутствовать модели в сером, черном и золотистом цветах.

Технические характеристики LG K10 2017:

• Сети: LTE / 3G / 2G
• Операционная система: Android 7.0 Nougat, LG UX
• Дисплей: 5,3 дюйма, HD 1280 x 720, In-Cell Touch, 277 ppi, 2,5D-стекло
• Процессор: 8-ядерный, MediaTek MT6750, 1,5 ГГц
• ОЗУ: 2 ГБ
• ПЗУ: 16 ГБ, microSD до 32 Гб
• Камера: 13 Мп, апертура f/2.2, LED-вспышка
• Фронтальная камера: 5 Мп, широкоугольная
• Аккумулятор: 2 800 мАч (съемный)
• Беспроводные подключения: Wi-Fi (802.11 b, g, n), Bluetooth 4.2, FM-радио, GPS/A-GPS
• Датчики: освещенности, приближения, компас, акселерометр
• Дополнительно: умная кнопка (сканер отпечатков, питание, скриншот, селфи)
• Разъемы: mini-jack 3.5 мм, microUSB
• Количество SIM: 2, nano
• Цвет: черный, серый, золотистый
• Размеры: 148,7 x 75,3 x 7,9 мм
• Вес: 138 грамм

отзывы, плюсы и минусы товара, оценки пользователей

Правила публикации отзывов

Спасибо, что решили поделиться опытом!

Ваш отзыв будет опубликован через некоторое время после проверки модератором.

Обращаем Ваше внимание, что мы оставляем за собой право не публиковать отзывы:

• написанные ЗАГЛАВНЫМИ буквами или транслитом,
• содержащие ненормативную лексику или оскорбительные выражения,
• не относящиеся к потребительским свойствам конкретного товара,
• рекламного характера (содержащие контактную информацию, названия других магазинов и ссылки на другие интернет-ресурсы),
• не соответствующие действительности или содержащие данные, подлинность которых невозможно установить,
• содержащие в тексте отзыва контактные данные, точные адреса или полные ФИО частных лиц,
• относящиеся к теме, по поводу которой уже оставлен отзыв или обращение в любой письменной форме от того же лица,
• в иных случаях, на усмотрение модератора.

Любая поступающая информация обрабатывается модератором и используется для улучшения качества наших услуг. Модератор может удалить из текста публикуемого отзыва контактные данные, ФИО и ссылки, исправить форматирование, транслит, а также отклонить любой отзыв без объяснения причин и без предварительного согласования с автором.

Для получения обратной связи на негативный отзыв убедительно просим указывать свои контактные данные (ФИО, телефон, e-mail, номер заказа или модель товара). Только в этом случае мы можем провести служебное расследование и дать исчерпывающий ответ. Контактные данные будут использованы только для связи с вами. Мы гарантируем конфиденциальность Ваших личных данных и обязуемся не передавать их третьим лицам и публиковать на сайте.

Любые вопросы о товаре вы можете задать через форму Обратной связи. Статус модерации отзыва можно отслеживать в Личном кабинете в разделе Мои отзывы.

Обзор и рейтинг LG v10 (at & t) — Отзывы

На рынке, заполненном премиальными фаблетами, такими как Apple iPhone 6s Plus, Google Nexus 6P и Samsung Galaxy Note 5, LG V10 ($ 699, 99; 64 ГБ) выделяется, предлагая расширяемое хранилище, съемный аккумулятор и удобный дополнительный дисплей вы не найдете больше нигде. Это также один из лучших телефонов с камерой, который вы можете купить. Это гораздо лучший вариант, чем LG G4, но недостаточное время автономной работы и чрезмерное количество вредоносных программ удерживают его от истинного звездного статуса. IPhone 6s Plus и Nexus 6P остаются нашими лучшими решениями для AT & T, но LG V10 является хорошей альтернативой, если вы сосредоточены на фотографии.

Дизайн и особенности
V10 измеряет 6, 28 на 3, 12 на 0, 34 дюйма (HWD) и весит 6, 77 унции, что делает его довольно большим даже для фаблета. Он заметно больше, чем Galaxy Note 5 (6, 0 на 3, 0 на 0, 3 дюйма, 6, 0 унций) и Nexus 6P (6, 27 на 3, 06 на 0, 29 дюйма, 6, 28 унций) и примерно на одном уровне с iPhone 6s Plus (6, 23 на 3, 07 на 0, 29). 6, 77 унции). Особенность фаблетов в том, что они во многом зависят от личных предпочтений. Я люблю их, но если вы хотите использовать свой телефон одной рукой, V10 не для вас.

Полоски из нержавеющей стали расположены с обеих сторон телефона, а текстурированная панель — сзади. Кнопки питания и регулировки громкости расположены под камерой, расположенной сзади, прямо там, где лежит указательный палец. Кнопка питания выполняет функцию сканера отпечатков пальцев. На боковой панели телефона нет кнопок, поэтому не нужно неловко нащупывать громкость. Это помогает сделать большой размер немного легче в обращении.

V10 соответствует MIL-STD 810 за долговечность. Он может справиться с умеренными падениями (4 фута) без каких-либо проблем, хотя я бы не ожидал, что он будет так же наказан, как Motorola Droid Turbo 2. Он также не является водонепроницаемым, поэтому, если вы можете уронить его, вы не сможете его получить влажный.

Как и LG G4, V10 имеет съемный аккумулятор и слот для карт памяти microSD. Сняв заднюю крышку, вы можете легко заменить батарею или увеличить объем памяти до 200 ГБ (LG утверждает, что вы можете получить до 2 ТБ, но карты такого размера еще не существует). Эта функция становится все реже и реже в наши дни, поэтому ее приятно видеть, особенно на телефоне, который сфокусирован на съемке высококачественных фотографий и видео.

Наконец, есть и ИК-бластер, позволяющий управлять телевизором или телевизионной приставкой.

Дисплей и камера
Передняя часть телефона оснащена 5, 7-дюймовым IPS-дисплеем с разрешением 2560 х 1440 пикселей. Его можно просматривать под прямыми солнечными лучами, с хорошей цветопередачей и большими углами обзора. Но подождите, это еще не все: в правом верхнем углу V10 находится отдельный 2, 1-дюймовый дисплей с разрешением 1040 на 160. Он работает независимо от основного дисплея под ним, размещая кнопки быстрого запуска приложений, уведомления об отображении, избранные контакты, события календаря и элементы управления мультимедиа. Меньший дополнительный дисплей выделяет V10 больше, чем любое другое устройство, которое мы видели после Galaxy S6 edge +, с экраном с изогнутыми краями.

Второй экран позволяет вам видеть уведомления, даже когда остальная часть основного экрана отключена, и мне понравился быстрый доступ к камере и настройкам. Но сейчас это больше трюк, чем все остальное. Вам все еще нужно включить и разблокировать основной дисплей, чтобы продолжить взаимодействие, поэтому вы не экономите время автономной работы. Но есть потенциал для большей функциональности, например, если он может подключаться к другим приложениям и давать вам обновления спортивных результатов, когда приходит пакет или показывать, например, сколько шагов вы прошли.

Производительность камеры — то, где V10 действительно превосходит, уступая только намного более дорогой Panasonic Lumix DMC-CM1. Для дневных фотографий и видео V10 просто превосходен. Его задняя 16-мегапиксельная камера делает четкие, детальные снимки с точной цветопередачей. Лазерная автофокусировка быстрая и отзывчивая, включается практически мгновенно как для фотографий, так и для видео.

Видеосъемка на улице и в помещении в 4K плавная и отзывчивая — нет размытости при смене фокуса или значительных сдвигах в освещении или балансе белого. V10 также может похвастаться оптической стабилизацией изображения (OIS), чего нет ни у Note 5, ни у Nexus 6P. OIS гарантирует, что дрожащие руки не испортят снимок, и улучшает производительность при слабом освещении, что сравнимо с Nexus 6P. Там все еще немного шума и зернистости, как и при любой съемке при слабом освещении, но не так сильно, как с iPhone 6s Plus или Note 5.

С точки зрения скорости, V10 снимает фотографии быстрее, чем Nexus 6P, но не так быстро, как iPhone 6s Plus. Тем не менее, это займет меньше времени с HDR, чем любой другой телефон, который я видел. Поначалу настройки камеры могут быть немного сложны для определения, но как только вы поймете их, вы можете настроить баланс белого, фокусировку, экспозицию, выдержку, уровень ISO, захват изображения RAW и множество других параметров, чтобы получить их. именно те кадры, которые вы хотите.

5-мегапиксельная селфи-камера V10 также заслуживает похвалы. На самом деле их два: один под стандартным углом 80 градусов, а другой расширяется до 120 градусов для групповых снимков. Они захватывают твердые изображения как на открытом воздухе, так и при слабом освещении.

Еще одна особенность, на которую стоит обратить внимание: LG сделала процесс сохранения и обмена изображениями более плавным, чем на большинстве других устройств Android. Вам автоматически предоставляется возможность сохранять изображения во внутреннюю память телефона или непосредственно на карту microSD (если она у вас установлена). Вам также будет предложено указать, хотите ли вы поделиться изображением с помощью часто используемых приложений для обмена сообщениями.

Производительность сети и качество звука
Наш тестовый телефон поддерживает диапазоны UMTS (850/1900/2100 МГц), GSM / GPRS / EDGE (850/900/1800/1900 МГц) и LTE (1/2/3/4/6/7/12/29/30)., Также есть двухдиапазонный Wi-Fi, Bluetooth 4.1 и NFC. Скорости были солидными с точки зрения подключения.

Для звонков громкость динамика становится достаточно громкой, чтобы ее можно было использовать на людных и загруженных улицах. Прием, шумоподавление и общее качество звонков — все хорошо.

У V10 есть динамик нижнего обстрела, который замечательно работает, учитывая его размер и местоположение. Когда подключены проводные наушники, автоматически включается 32-разрядный ЦАП (цифро-аналоговый преобразователь), обеспечивая дополнительную четкость, низкие частоты и глубину звука. Это хорошая возможность, даже если вы не меломан.

Процессор и аккумулятор
С точки зрения производительности, V10 имеет тот же шестнадцатеричный процессор Snapdragon 808 и Adreno 418 GPU, что и G4. Это немного разочаровывает, потому что по этой цене он действительно должен упаковывать более быстрые Snapdragon 810 и Adreno 430, такие как Nexus 6P. LG компенсирует процессор, включая 4 ГБ ОЗУ, что позволяет быстро выполнять многозадачность и общую производительность.

V10 набрал 51 748 баллов в тесте AnTuTu, что значительно ниже, чем у Nexus 6P (56 621) и Galaxy Note 5 (69 235). Но с точки зрения игр высокого класса, V10 обрабатывал Asphalt 8, Assassin’s Creed: Pirates и GTA: San Andreas как чемпион, без каких-либо пропущенных кадров или задержки в тестировании.

Посмотрите, как мы тестируем сотовые телефоны

Производительность батареи здесь не сильная сторона. Ячейка V10 на 3000 мАч работала 4 часа 15 минут в нашем тесте, где мы непрерывно транслируем полноэкранное видео по LTE. Это намного меньше, чем у Nexus 6P (9 часов 59 минут) и Galaxy Note 5 (6 часов 10 минут). При тестировании батарея быстро разряжалась при обычном использовании, и даже быстрее при интенсивном использовании камеры. С положительной стороны, вы всегда можете носить запасной аккумулятор.

Программное обеспечение и выводы
LG отлично справляется с программным обеспечением камеры V10, но где-то в некотором беспорядке. Телефон работает под управлением Android 5.1.1 Lollipop с верхним слоем LG UX 4.0. Скин вносит множество ненужных изменений в Android, включая меню настроек, значки и переходы экрана. Одна функция, которую я ценю, — это двойное окно, которое позволяет открывать дополнительные меньшие окна на дисплее и особенно полезно для фаблетов.

Из 64 ГБ встроенной памяти V10 только 48, 81 ГБ доступно из коробки благодаря всем программам-распространителям. От LG ничего особенного нет, но я насчитал всего 19 предустановленных приложений AT & T, 2 приложения Amazon, Uber и несколько других. Некоторые могут быть удалены; остальное можно только отключить. К счастью, у вас есть слот для карты microSD, если у вас заканчивается свободное место.

В целом, V10 — один из лучших телефонов с камерой, который можно купить, если не считать сверхспециализированных телефонов, таких как Panasonic Lumix DMC-CM1. Он также очень долговечен, имеет расширяемое хранилище и съемный аккумулятор, функции, которые трудно найти на других флагманских телефонах. С другой стороны, его время автономной работы не хватает, его процессор несколько устарел, и его общий опыт программного обеспечения не соответствует конкуренции.

В конечном счете, если для вас важны первоклассная камера и долговечная конструкция, LG V10 является отличным вариантом. Но если вы ищете полный пакет, вы получите немного больше отдачи от Galaxy Note 5 или iPhone 6s Plus, которые предлагают лучший общий баланс как аппаратного, так и программного обеспечения. И если вы хотите сэкономить, Nexus 6P и Moto X Pure Edition предлагают аналогичную производительность по более низкой цене.

10 секретов, как выяснить, какие онлайн-обзоры являются фальшивыми

Подделывайте это, пока ваш продукт не сделает это.

Одно недавнее исследование показало, что почти восемь из десяти потребителей говорят, что они думают, что читали фальшивый обзор в прошлом году. А 84% потребителей говорят, что не всегда могут обнаружить фальшивый отзыв.

Вот 10 способов обнаружить фальшивые отзывы в Интернете:

Обратите внимание на чрезмерное использование слов «я» и «я» и множества глаголов. Согласно исследованию Корнельского университета, онлайн-обзоры, в которых часто используются «я» и «я», с большей вероятностью будут фальшивыми, чем те, которые этого не делают — возможно, потому, что, когда люди лгут, они пытаются внушить доверие, используя личные местоимения. .Вдобавок, как показало исследование, «обманщики используют больше глаголов, а правдивые — больше существительных».

Остерегайтесь настройки сцены. Корнельское исследование также показало, что место действия может быть предупреждающим знаком. «Например, в правдивых отзывах об отелях чаще используются конкретные слова, относящиеся к отелю, такие как« ванная »,« регистрация »или« цена ». Обманщики больше пишут о вещах, которые создают сцену, например,« отпуск ». «командировка» или «мой муж» », — показало исследование.

Остерегайтесь общих имен и / или профилей без фотографий. Один из основных способов создания фальшивых онлайн-обзоров — это «безликая офшорная компания, которая размещает массовые обзоры на сайте под разными аккаунтами», — говорит Жан Палдан, основатель британской маркетинговой фирмы Rare Form New Media. Чтобы их обнаружить, «ищите такие имена, как Джон или Джейн Смит, или явно вымышленные имена, или просто цифры и буквы. В 99% случаев у них не будет аватара », — говорит Палдан.

Изучите сроки рассмотрения. «Посмотрите, не произойдет ли всплеск общего количества отзывов за очень короткий промежуток времени.Это может указывать на целевую кампанию по добавлению новых искусственных обзоров », — говорит Дерек Хейлз, главный редактор сайта обзоров товаров для дома ModernCastle. Однако есть исключения: «Имейте в виду, что запуск продукта, Черная пятница, Рождество и другие дни крупных покупок могут принести больше отзывов в определенные периоды».

Ищите повторение фраз. «Просмотрите несколько обзоров и посмотрите, не повторяются ли какие-либо слова или фразы в разных обзорах. По словам Хейлза, отзывы, в которых используются одни и те же фразы, могли быть проинструктированы сделать это стороной, сфальсифицировавшей отзывы.

Проверьте орфографию и грамматику, говорит Майкл Лай, основатель сайта отзывов SiteJabber. По его словам, многие фальшивые обзоры передаются на аутсорсинг контент-фермам, что может означать, что они «либо написаны на плохом английском, либо не так, как настоящий потребитель выразил бы свое мнение».

Изучите профиль рецензента глубже. Другой распространенный тип фальшивых отзывов исходит от «профессионального рецензента» — того, кому дали продукт бесплатно и дали дополнительные деньги, чтобы дать пятизвездочный отзыв, говорит Палдан.Их «труднее обнаружить», но часто можно, если немного потрудиться, говорит она: «Щелкните профиль рецензента и просмотрите все его отзывы. Если у них есть большая тенденция давать все пятизвездочные отзывы без какого-либо негатива … скорее всего, они были куплены и за них заплатили ». Еще один совет: если они сделали много пятизвездочных обзоров продуктов, принадлежащих одной и той же компании.

Посмотрите рядовые обзоры. «Часто бывает полезно отсортировать обзоры, которые попадают в середину пакета (например. г 3/5 звезд). Эти обзоры часто являются наиболее честными и проницательными в отношении как положительных, так и отрицательных аспектов места проведения мероприятия и могут использоваться для перекрестных ссылок на другие обзоры для выявления тенденций как положительных, так и отрицательных отзывов », — говорит Марк Нашаат, специалист по SEO и цифровому PR. консультант.

Ищите проверенные покупки. «Многие обзорные платформы проверяют, была ли покупка совершена на этом сайте или нет. В противном случае это будет «непроверенная покупка», которая, скорее всего, будет фальшивым обзором », — говорит Хейлз.

Если есть сомнения, обратитесь. «Обратитесь непосредственно к рецензенту с вопросами о его рецензии. Большинство фальшивых рецензентов не отвечают, но настоящие рецензенты часто с нетерпением ждут возможности быть более полезными », — говорит Лай.

Как распознать фальшивые обзоры: 6 простых шагов

Онлайн-обзоры сильно влияют на решения о покупке, но не все отзывы реальны: проблема поддельных отзывов может затронуть компании любого типа и размера.

Откуда берутся эти фальшивые отзывы? Вот несколько общих источников:

• Поставщики услуг или поставщики , которые продают как положительные, так и отрицательные отзывы, например те, которые вы найдете, когда попытаетесь купить отзывы Google
• Владельцы бизнеса и маркетологи , которые пишут свои собственные фальшивые отзывы для привлечения клиентов, в том числе фальшивые негативные отзывы о своих конкурентах
• Бывшие сотрудники , оставляющие отрицательные отзывы о своих сотрудниках в отместку за увольнение или увольнение
• Друзья, семья и сотрудники , которые пишут положительные отзывы от имени компании или бренда, с которыми они тесно связаны
• Клиенты , которые оставляют отрицательные отзывы, чтобы получить возмещение, скидку или другие преимущества

Как распознать фальшивые обзоры

Большинство сайтов бизнес-обзоров имеют систему или фильтр для автоматического обнаружения поддельных онлайн-обзоров.

С помощью 6 простых шагов предприятия и потребители могут помочь решить проблему, узнав, как выявлять поддельные отзывы и сообщать о них.

Проверить профиль рецензента

Один из способов определить подлинность отзыва — проверить, кто его написал. Найдите время, чтобы проверить информацию в Facebook, Twitter или профиле рецензента на веб-сайте (если таковой имеется).

Следите за их местонахождением, датой создания учетной записи, действиями по просмотру, рабочей информацией и учетными записями в социальных сетях.Профиль выглядит так, как будто он принадлежит реальному человеку? Если ответ отрицательный, вы, вероятно, захотите поставить красный флаг в обзоре.

Ищите особенности

Еще один способ обнаружить фальшивые отзывы — это увидеть детали написания обзора. Подлинные отзывы часто содержат очень конкретное описание своего опыта использования продукта или услуги. Откуда они узнали о местонахождении компании или как они использовали продукт?

Если рецензент не использует конкретные примеры, кажется, не очень хорошо осведомлен о том, что они приобрели, и не говорит, как они это использовали или каково было реальное обслуживание клиентов — обзор может быть не настоящие.

Остерегайтесь повторных упоминаний бренда

Если обзор звучит как пресс-релиз или рекламный текст, написанный маркетологом, вероятно, так оно и есть. Обратите внимание на неестественные или повторяющиеся упоминания бренда, названия продукта или модели продукта: «Я настоятельно рекомендую Toshiba EM131A5C-BS из нержавеющей стали с интеллектуальным датчиком и функцией Easy Clean Interior».

Также полезно определить рецензентов, которые комментируют несколько продуктов в одной категории. Например, если человек написал обзоры дюжины микроволновых печей за короткий промежуток времени, скорее всего, за эти обзоры заплатит поставщик услуг или компания.

Проверить формулировку

Когда вы учитесь обнаруживать фальшивые отзывы, ищите слова и фразы, которые обычный человек не использовал бы.

Например, если вы читаете обзор модема и видите «взрывную скорость» или «надежную беспроводную передачу данных», вероятно, этот обзор не является подлинным. Люди просто так не говорят, как бы сильно они ни любили продукт.

Остерегайтесь черного и белого

Интернет-пользователей придерживаются твердого мнения. Однако онлайн-обзоры, которые звучат слишком хорошо или слишком плохо, чтобы быть правдой, должны дать вам повод усомниться в их подлинности.

Реальные отзывы часто отражают впечатления клиентов, которые не являются ни черными, ни белыми. Люди, у которых был негативный опыт, все равно могут оставить хорошие отзывы об определенных аспектах своего опыта, в то время как те, у кого есть положительный опыт, могут указать, где есть возможности для улучшения.

Связаться с веб-сайтом обзора

Если вы подозреваете, что обзор является подделкой, обязательно обратитесь к администраторам или обслуживающему персоналу сайта обзора, чтобы запросить более подробное расследование.Если отзыв действительно поддельный, его можно успешно удалить со страницы профиля вашей компании или со страницы компании.

Написать фальшивый отзыв — незаконно?

Поддельные отзывы являются нарушением условий обслуживания всех сайтов с обзорами бизнеса. Это означает, что любая попытка манипулировать репутацией вашего бренда — или навредить репутации ваших конкурентов — с помощью фальшивых отзывов может привести к судебному иску против вас.

Предоставление клиентам стимулов для написания отзывов о вашем бизнесе также может иметь последствия.Согласно «Руководствам по использованию одобрений и отзывов в рекламе» Федеральной торговой комиссии (FTC) отзывы считаются одобрением.

Если существует форма стимула, компенсации или тесных отношений между индоссаментом и компанией, его получающей, это должно быть четко указано. Федеральная торговая комиссия также считает незаконным стимулирование проверок, даже если не требуется, чтобы проверка была положительной. По гидам:

Рекламодатели (компании) и индоссанты (клиенты, которые предоставляют индоссаменты) могут нести ответственность за ложные или необоснованные утверждения, сделанные в индоссаменте, или за нераскрытие существенных связей между рекламодателем и индоссантами.

Проще говоря: просьба оставлять отзывы не означает, что вы должны вознаграждать клиентов, которые их напишут.

Последствия подделки отзывов

Некоторые компании пишут фальшивые отзывы, чтобы улучшить свою репутацию и привлечь новых клиентов.

Часто называемый обзором «астротурфинг» — это практика подготовки или распространения фальшивого отзыва, который разумный потребитель сочтет нейтральным сторонним свидетельством.

Астротурфинг не только подрывает доверие потребителей к отзывам.Это также подрывает доверие, над созданием которого так упорно трудились другие компании. Если вас поймают на размещении фальшивых отзывов, с вами и вашим брендом также может произойти следующее.

Размещение вашей компании в листинге может быть приостановлено

Сайты онлайн-обзоров, такие как Yelp, Google и Tripadvisor, имеют системы для обнаружения фальшивых отзывов, написанных кем-то, кого нанимает или оплачивает компания.

Поддельные отзывы также могут привести к блокировке или блокировке данных о вашей компании или странице компании.Это, в свою очередь, может привести к падению вашего рейтинга в поиске.

Вы ​​не оправдываете ожиданий клиентов

Компании, публикующие фальшивые отзывы, часто рискуют разочаровать своих клиентов.

В большинстве случаев их предложения не соответствуют сфабрикованным восторженным отзывам, которые клиенты находят в Интернете. Если реальный опыт не соответствует обещанию бренда, эти клиенты не вернутся.

Также весьма вероятно, что потребители отнесутся к списку компаний с недоверием, когда увидят на нем предупреждения для потребителей или аналогичные уведомления.

Вам могут предъявить иск или оштрафовать

Известно, что FTC вместе с группами и организациями, защищающими интересы потребителей, пресекает компании, публикующие фальшивые отзывы.

Вот несколько недавних примеров:

• FTC объявила о соглашении с Cure Encapsulations, продавцом на Amazon, который покупал фальшивые отзывы о своем продукте, добавке для похудения.
• Онлайн-платформа для постановки задач под названием Service Seeking была оштрафована на 600 000 долларов за 17 000 отзывов, которые выглядели так, как будто написаны клиентами, но на самом деле были написаны компаниями, выполнившими работу.
• Косметическая фирма Sunday Riley Modern Skincare, LLC (Sunday Riley Skincare) и ее генеральный директор Сандей Райли согласились урегулировать жалобу FTC, обвиняя их в вводящих в заблуждение потребителей, путем размещения фальшивых обзоров продуктов компании на веб-сайте крупного розничного продавца, не сообщая, что Рецензенты на самом деле были сотрудниками компании.
• FTC наложила штраф в размере 250 000 долларов на Legacy Learning Systems, торговую серию DVD с обучающими музыкальными DVD-дисками из Теннесси, которая наняла аффилированных маркетологов для написания фальшивых положительных отзывов о своих курсах игры в гитаре.

С риском понесения судебных издержек, ущерба и огромных штрафов ложные онлайн-обзоры потенциально могут стать очень дорогостоящей ошибкой. Попадание в ловушку также порождает массу плохой огласки, навсегда запятнав репутацию вашего бренда.

Получите достоверные обзоры и отзывы

Доверие играет ключевую роль в принятии решений потребителями. Умение распознавать фальшивые отзывы способствует укреплению репутации в Интернете. Вместо того, чтобы прибегать к фальшивым отзывам, чтобы улучшить свой поисковый рейтинг и стратегию привлечения клиентов, также важно разработать стратегию получения достоверных отзывов и откровенных отзывов клиентов.

Такой вид охвата принесет пользу вашему бренду в долгосрочной перспективе за вычетом рисков и последствий, присущих фальшивым отзывам. Упреждающий запрос отзывов укрепит ваши отношения с клиентами и позволит вашей компании услышать самые важные голоса.

Как распознать фальшивый отзыв на Amazon

Каким бы прекрасным ни был Интернет, он также лжет нам каждый день. Фальшивые отзывы — кажущиеся законными оценки, сделанные продавцом или кем-то, кому он заплатил, — становится все труднее обнаружить.Поскольку количество покупок в Интернете продолжает стремительно расти, поддельные отзывы — это большой бизнес, но в конечном итоге они могут стоить вам серьезных денег.

При опросе 1000 покупателей из США, которые планировали купить технологии в день Amazon Prime Day в прошлом году, только 16% респондентов были уверены, что могут обнаружить поддельные отзывы о продуктах Amazon; 24% были уверены, что смогут это сделать. Большинство — 33% — были в некоторой степени уверены, что смогут разобраться с фальшивыми описаниями; остальные не были уверены или совсем не уверены, что смогут распознать подделки.

Почему это важно? В том же опросе 78% людей заявили, что обзоры продуктов Amazon играют большую роль в их решениях о покупке. Если мы не можем доверять этим онлайн-обзорам — и недавнее открытие, что более 200 000 человек были вовлечены в схему поддельных обзоров со сторонними поставщиками Amazon, говорит о том, что мы не можем — как мы должны решать, что покупать?

Мы, конечно, рекомендуем вам ознакомиться с нашими исчерпывающими обзорами по нескольким категориям, прежде чем совершать покупку технологий.Мы проверяем более 2000 технологических продуктов в год, и у нас есть эксперты, которые знают свои рынки от и до. Однако, помимо этого, есть несколько явных признаков того, что обзор может быть не подлинным. А если вы действительно не можете их различить, вы можете обратиться к некоторым полезным онлайн-инструментам, которые помогут прояснить ситуацию.

---

Что искать

Когда вы просматриваете Amazon, ищите обзоры, которые действительно предоставляют контекст для выставляемой оценки, не подключают продукты конкурентов и используют естественный язык.

Чрезмерно положительные или отрицательные отзывы, не содержащие достаточно подробностей, могут быть подозрительными. Очень краткие пяти- и однозвездочные обзоры, особенно если все они опубликованы в один и тот же день, также могут указывать на подозрительную активность.

В целях борьбы с поддельными отзывами Amazon добавляет ярлык «Подтвержденная покупка» к отзывам, в которых рецензент действительно приобрел продукт. Однако при этом не учитываются схемы, в которых рецензентам выплачивается компенсация за законные покупки.

Если вы наткнулись на отзыв, который считаете поддельным, вы можете сообщить об этом в Amazon и отметить его для расследования и возможного удаления.Просто нажмите Сообщить о нарушении под обзором.

---

Fakespot

Fakespot оценивает надежность страниц товаров на Amazon, Best Buy, eBay, Sephora и Walmart. Алгоритм Fakespot проверяет отзывы и рецензентов, анализирует язык, предыдущие отзывы и историю покупок, чтобы определить надежность.

Просто скопируйте URL-адрес рассматриваемой страницы и вставьте его в Fakespot Analyzer, чтобы изучить ссылку. В этой истории мы протестируем листинг для Amazon Echo Show 5, победителя награды PCMag Editors ‘Choice.После добавления ссылки Amazon Fakespot выставляет оценку, которая должна сказать нам, есть ли на странице достоверная информация.

Он также отфильтровывает отзывы, считающиеся фальшивыми, чтобы создать более надежный рейтинг продукта. Пользователи Amazon присвоили этому продукту 4,7-звездочную оценку, но после прохождения через Fakespot скорректированный рейтинг стал ближе к 3,5-звездочному. Fakespot также присвоил URL-адресу оценку C, что означает, что отзывы на этой странице могут быть, по крайней мере, несколько ненадежными.

Расширение Chrome позволяет онлайн-покупателям анализировать веб-страницы одним нажатием кнопки, а также получать доступ к рейтингам продавцов и другим преимуществам.Fakespot также доступен как приложение для Android, которое анализирует URL-адреса мобильных веб-страниц, которые подключаются пользователями.

Примечание редактора 18.07: Fakespot сообщает, что Apple удалила свое приложение для iOS по запросу Amazon.

Твитнуть

---

Вставьте URL-адрес Amazon в строку поиска ReviewMeta, и веб-сайт удалит отзывы, которые он считает ненадежными, и заменит совокупный рейтинг Amazon на рейтинг от ReviewMeta. Таким образом, наш тестовый продукт с рейтингом 4,7 звезды опустился до 4,1 после того, как было удалено 87% потенциально неестественных отзывов.

ReviewMeta предоставляет табель успеваемости, в которой оцениваются определенные критерии по критериям «Успешно», «Падение» или «Предупреждение». Также имеется подробная разбивка с графиками факторов, влияющих на скорректированный рейтинг. Имейте в виду, что этот веб-сайт может обрабатывать только первые 10 000 отзывов о продукте, потому что Amazon скрывает все дополнительные отзывы от просмотра.

Этот инструмент также предлагает уникальную возможность настраивать алгоритм ReviewMeta, чтобы взвешивать определенные критерии больше или меньше, чем конфигурация по умолчанию.После того, как веб-сайт проанализирует страницу, нажмите «Просмотр / изменение настроек», чтобы перейти к механике оценивания и настроить вес категорий.

Добавьте расширение браузера для Chrome, Firefox или Edge, чтобы быстро проанализировать веб-страницу и получить оценку «Предупреждение / Годен / Не пройден». Анализируйте страницы со своего телефона с помощью приложений для iOS и Android.

---

TheReviewIndex

TheReviewIndex — это простой инструмент онлайн-поиска, ориентированный на агрегирование рейтингов технических продуктов на Amazon, но он все же может определить, повысилась ли оценка продукта из-за поддельных отзывов.Расширения Chrome и Firefox, упрощающие этот процесс.

Вставьте URL-адрес на сайт, и TheReviewIndex разбивает продукт на разные категории на основе слов, которые он извлекает из отзывов. В то же время TheReviewIndex запускает спам-тест, чтобы убедиться, что отзывы подлинные, и в конце выставляет оценку «прошел / не прошел».

Глядя на наш тестовый продукт, The Review Index дал ему оценку 8/10 и проходную оценку за спам, но проанализировал только самые последние 998 отзывов. Затем вы можете просмотреть вырезки — как положительные, так и отрицательные — которые подходят для различных категорий продуктов, и просмотреть факторы, которые используются при тестировании на спам.

Чтобы узнать больше о фальшивых обзорах Amazon, посмотрите видео ниже:

Нравится то, что вы читаете?

Подпишитесь на информационный бюллетень Tips & Tricks , чтобы получать советы экспертов, которые помогут вам максимально эффективно использовать свои технологии.

Этот информационный бюллетень может содержать рекламу, предложения или партнерские ссылки. Подписка на информационный бюллетень означает ваше согласие с нашими Условиями использования и Политикой конфиденциальности. Вы можете отказаться от подписки на информационные бюллетени в любое время.

Как работают и не работают ложные отзывы клиентов

Поскольку все больше и больше потребителей обращаются к электронной коммерции, а не к личным покупкам, обеспечение того, чтобы эти онлайн-платформы предлагали надежную систему оценок и обзоров, необходимо для поддержания доверия потребителей.К сожалению, недавние исследования показывают, что поддельные отзывы встречаются гораздо чаще, чем вы думаете, и их так же сложно искоренить. Поскольку платформы электронной коммерции, такие как Amazon, учитывают рейтинги продуктов в своих алгоритмах поискового ранжирования, продавцы сильно заинтересованы в манипулировании рейтингами своих продуктов, запрашивая фальшивые отзывы. В этой статье авторы проливают свет на то, как продавцы получают поддельные отзывы, как эти обзоры влияют на краткосрочные и долгосрочные показатели продаж и что платформы могут сделать для борьбы с этой распространенной проблемой.

В период с апреля по июнь 2020 года рынок электронной коммерции в США продемонстрировал рекордный рост на 44,4% и, вероятно, продолжит процветать, поскольку крупные и мелкие предприятия переходят на онлайн-продажи в условиях пандемии. Чтобы электронная коммерция работала, таким платформам, как Amazon, нужна система рейтингов и обзоров, которая помогает потребителям уверенно принимать решения о покупках в Интернете. Но поскольку эти обзоры обычно являются важным фактором в алгоритмах поискового ранжирования и, таким образом, имеют большое влияние на видимость продукта и продажи, эти системы часто также создают мощные стимулы для продавцов манипулировать рейтингом своих продуктов с помощью фальшивых обзоров.

В ответ на эту проблему многие платформы разработали автоматизированные инструменты для выявления и удаления заведомо поддельных отзывов. Например, Yelp использует собственный алгоритм, который отфильтровывает около 16% их отзывов. Но по мере того, как продавцы становятся все более изощренными в том, как создавать эти фальшивые отзывы, платформам становится все труднее и труднее их искоренить. Чтобы лучше понять масштаб проблемы и то, что компании могут сделать для ее решения, мы провели 10-месячное исследование, посвященное тому, как создаются поддельные отзывы и как они влияют на продавцов, покупателей и платформы.

Благодаря нашему исследованию мы обнаружили большой и процветающий рынок поддельных отзывов. Один из наиболее распространенных механизмов, которые мы нашли для получения этих отзывов, был через частные группы в Facebook: продавцы использовали эти группы, чтобы набирать людей для покупки их продуктов и оставлять достоверно звучащие пятизвездочные обзоры, а затем компенсировать им через PayPal затраты. продукта, любые налоги и сборы, а в некоторых случаях — комиссия в размере 5-10 долларов США. Мы также обнаружили, что эти группы иногда исчезают, а затем почти сразу заменяются новыми похожими группами.

Мы работали с командой студентов UCLA, чтобы проникнуть на эти рынки, наблюдать за ними и собирать данные о продуктах, отзывы о которых продавцы запрашивали. Параллельно с этим мы собрали данные об этих продуктах на Amazon, включая их рейтинги и обзоры, рейтинги продаж, цены и рекламные стратегии. Поскольку мы могли точно наблюдать, когда продавцы начинали и прекращали запрашивать ложные отзывы, и сравнивать эту активность с данными о продажах их продуктов, это позволило нам измерить эффективность этих обзоров с точки зрения увеличения как краткосрочных, так и долгосрочных результатов продаж. .

Наш первый важный вывод заключается в том, что, хотя это явление может быть малоизвестным, оно чрезвычайно распространено. Основываясь на наших наблюдениях, мы подсчитали, что в прошлом году целых 4,5 миллиона продавцов получили поддельные отзывы через эти группы Facebook.

Во-вторых, фальшивые отзывы чаще всего встречаются в отношении определенного типа продуктов. Эти продукты, как правило, имеют цены, аналогичные ценам их конкурентов, обычно в ценовом диапазоне от 15 до 40 долларов, и, как правило, они уже имеют высокие рейтинги со средним рейтингом 4.4 и в среднем 183 отзыва (предполагая, что многие из этих ранее существовавших отзывов также могли быть поддельными). Наконец, эти продукты, как правило, не являются именными брендами, и подавляющее большинство продавцов расположены в Шэньчжэне, Китай или его окрестностях. Хотя мы не можем быть уверены в причине этой тенденции, недавние изменения в политике Amazon, направленные на поощрение большего числа глобальных продавцов, привели к значительному увеличению числа китайских производителей, которые продают напрямую через платформу (а не поставляют товары американским компаниям).Эти новые продавцы часто имеют небольшую маржу и небольшую репутацию, которую нужно сохранять, что создает целый ряд проблем с контролем качества.

Все это говорит о том, что поддельные отзывы встречаются чаще, чем вы думаете, но являются ли они эффективной стратегией продаж? Что касается краткосрочного воздействия, данные ясны: ложные обзоры чрезвычайно эффективны. В течение двух недель после того, как продавцы начали набирать рецензентов, рейтинги их продуктов повысились в среднем на 0,16 звезды, а среднее количество отзывов, которые эти продукты получали в неделю, удвоилось с пяти до в среднем 10 обзоров в неделю.Хотя некоторые из этих отзывов могут быть органическими, то есть от реальных клиентов, не получивших компенсации, тот факт, что скачок отзывов происходит сразу после того, как продавцы начинают покупать поддельные отзывы, предполагает, что этот всплеск вызван поддельными отзывами. Это увеличение количества отзывов привело к значительному увеличению продаж, при этом показатели продаж этих продуктов выросли в среднем на 12,5%.

Однако это повышение было недолгим. Мы предположили, что компании могут использовать фальшивые отзывы для решения проблемы «холодного старта» (т.е., что качественные товары без каких-либо обзоров стараются привлечь внимание). Это говорит о том, что, как только они начнут создавать положительную репутацию с помощью фальшивых отзывов, реальные потребители начнут покупать эти продукты и оставлять обычные отзывы, что приводит к самостоятельному процессу продаж. Но вместо этого мы увидели, что рост рейтингов, количества отзывов и продаж, как правило, исчезает в течение одного-двух месяцев. Всего через восемь недель после того, как продавцы перестали покупать фальшивые отзывы, средний рейтинг их товаров снизился на 6.3%, их продажи упали на 21,5%, и они начали получать большое количество оценок в одну звезду от недовольных клиентов. Это говорит о том, что эти продукты были на самом деле более низкого качества, и покупатели, вероятно, почувствовали себя обманутыми завышенными рейтингами и отзывами.

Очевидно, что эти фальшивые отзывы создают реальные проблемы для покупателей. Но не только потребители страдают, когда продавцы используют фальшивые отзывы. Поскольку фальшивые отзывы подрывают доверие потребителей к системе обзоров, страдает и сама платформа.Так что же делают платформы вроде Amazon для борьбы с этой проблемой?

Только в 2019 году Amazon потратила более 500 миллионов долларов и наняла более 8000 человек, чтобы сократить количество случаев мошенничества и злоупотреблений на своей платформе. В ходе нашего исследования мы обнаружили, что Amazon фактически удалял около 40% этих фальшивых отзывов, но на их удаление у них уходило в среднем более 100 дней после публикации фальшивого обзора. Этого времени более чем достаточно для продавцов, чтобы насладиться краткосрочным повышением продаж, и для того, чтобы ввести в заблуждение достаточное количество потребителей, чтобы значительно увеличить количество гневных отзывов с одной звездой.И это ограниченное влияние неудивительно. В конце концов, несмотря на усилия Amazon по борьбе с поддельными отзывами, продавцы все еще находят их достаточно эффективными, чтобы их стоило покупать.

По мере того, как продавцы становятся все более изощренными в том, как они создают фальшивые обзоры, онлайн-торговые площадки, такие как Amazon, оказываются в нескончаемой гонке вооружений за разработку эффективных способов их выявления и удаления — и сохранения доверия потребителей. Хотя однозначного ответа нет, наше исследование предлагает одно потенциальное решение: делать то, что мы сделали.Платформы электронной коммерции должны рассмотреть возможность партнерства с платформами социальных сетей, такими как Facebook, чтобы лучше понять, как продавцы нанимают фальшивых рецензентов, и потенциально использовать эту видимость для ускорения процесса выявления и удаления фальшивых отзывов. Поиск способов пресечения этой деятельности был бы беспроигрышным, поскольку это уменьшило бы незаконную активность на платформах социальных сетей, повысило бы доверие к платформам электронной коммерции и обеспечило бы более позитивный и надежный опыт для потребителей.

поддельных отзывов об Amazon: как не стать жертвой поддельных отзывов при покупках

CNN —

Большинство онлайн-обзоров — это подлинные отзывы клиентов и ценные инструменты для совершения покупок в Интернете.Но, как известно большинству покупателей, на таких платформах, как Amazon, также есть фальшивые отзывы, которые могут сбить вас с толку, если вы не будете осторожны. Важно внимательно оценивать отзывы, чтобы научиться распознавать подделки и в конечном итоге использовать их, чтобы получить то, за что вы платите.

По словам генерального директора Fakespot, бесплатного расширения для браузера, предназначенного для отсеивания ненадежных оценок продуктов, количество вводящих в заблуждение отзывов на Amazon резко возросло в 2020 году. Генеральный директор Fakespot Сауд Халифа винит в росте мошенничества с отзывами Covid-19, который вызвал появление электронных писем. коммерция взлетела до небес, и возникла острая конкуренция между поставщиками, которые надеялись задействовать все эти новые поступления.

«В этом году, начиная с режима изоляции, количество людей резко возросло», — сказал Халифа CNN Underscored.

Было бы ошибкой принимать онлайн-обзоры как евангелие и использовать их как единственный критерий для оценки качества продукта или продавца. Однако вы также упустите возможность полностью игнорировать онлайн-отзывы при рассмотрении покупки. Ниже мы собрали руководство, которое должно помочь вам извлечь максимальную пользу из отзывов, чтобы они могли стать мощным инструментом, а не обузой.

Есть два основных типа ненадежных отзывов. Первый — это обзоры ботов. Халифа говорит, что компьютеры в большом количестве выплевывают их во время крупных торговых мероприятий, таких как Черная пятница. Несмотря на то, что подобные обзоры являются обычным явлением, сторонним алгоритмам, таким как Fakespot, довольно легко найти и отсеять их благодаря их неуклюжим предложениям с ключевыми словами.

Более коварное разнообразие — рекламные обзоры, написанные реальными людьми, которым за кулисами платят в обмен на горячую похвалу.

Халифа говорит, что подобные обзоры, как правило, касаются прежде всего телефонных аксессуаров, электроники и небольших бытовых приборов — всего, что продавцы могут заказать оптом с завода. Однако ни один продукт не застрахован, тем более что все больше покупок происходит в Интернете.

«В социальных сетях существуют сотни частных групп, которые запрашивают платные обзоры», — говорит Томми Нунан, основатель ReviewMeta.com, еще одного инструмента, который направлен на предоставление клиентам более точных оценок продуктов.

Халифа называет такие договоренности своего рода «клубом обмена отзывами», когда продавцы отправляют бесплатные продукты и другие формы компенсации потенциальным рецензентам в обмен на положительные отзывы. Представитель Amazon подтвердил CNN Underscored: «Плохие игроки используют платформы социальных сетей для вербовки ничего не подозревающих клиентов, предлагая бесплатные продукты и подарочные карты в обмен на публикацию фальшивых обзоров продуктов».

Это означает, что даже отзыв о подтвержденной покупке Amazon может быть поддельным.Некоторые рецензенты действительно покупают продукты на свои деньги, чтобы получить этот лейбл «Подтвержденная покупка», укрепляющий доверие, только для того, чтобы получить возмещение или компенсацию в дальнейшем за то, что после написания положительного отзыва.

Стоит помнить, что получение продукта бесплатно не обязательно означает, что отзыв является поддельным. Кто-то может отправить продукт на проверку и искренне подумать, что он заслуживает пяти звезд. Тем не менее, запрос или написание отзывов без раскрытия информации о компенсации явно нарушает принципы сообщества Amazon, а также рекомендации FTC в отношении поддержки в рекламе.

«У нас есть четкие правила как для обозревателей, так и для партнеров по продажам, которые запрещают злоупотребление функциями нашего сообщества, — сказал CNN Underscored представитель Amazon, — и мы приостанавливаем, запрещаем и принимаем судебные меры против тех, кто нарушает эти политики».

В своем заявлении Amazon заявила, что использует «мощные инструменты машинного обучения и квалифицированных следователей для еженедельного анализа более 10 миллионов отзывов с целью предотвращения оскорбительных отзывов до их публикации.Кроме того, мы продолжаем отслеживать все существующие обзоры на предмет злоупотреблений и быстро принимать меры, если обнаруживаем проблему. Мы также активно работаем с сайтами социальных сетей, чтобы сообщать о злоумышленниках, которые культивируют оскорбительные отзывы за пределами нашего магазина, и мы подали в суд на тысячи злоумышленников за попытки злоупотребления нашими системами отзывов ».

Функции голосования «за» и «против» можно использовать не только для того, чтобы выделить блестящий обзор среди остальных, но и для того, чтобы саботировать конкурентов, размещая отрицательные отзывы в верхней части страницы продукта.

«Бренд может по существу курировать« самые полезные »обзоры, платя людям за то, чтобы они нажимали кнопку« полезные »в обзорах, которые бренд хочет разместить наверху», — говорит Нунан.

Халифа добавляет: «Вы можете проголосовать за самый вредный отзыв с одной звездой, разместить его на первой странице, и теперь вы отговорили человека от покупки продукта».

Если вы когда-либо нажимали на чехол для телефона только для того, чтобы найти кучу обзоров тостера, значит, вы наткнулись на еще один вид манипуляций с обзорами.По словам Халифы, продавцы выкупают хорошо оцененные «устаревшие объявления» у других поставщиков, «меняют изображения и детали, и вуаля: они унаследовали сотни (или даже тысячи) 5-звездочных отзывов без единой продажи.

«Они делают ставку на то, что вы на самом деле не собираетесь прокручивать вниз и смотреть отзывы и видеть, что они на самом деле не для продукта», — говорит Халифа.

Значит ли все это, что обзоры бесполезны? Точно нет! Нунан признает, что у большинства продуктов нет проблем с фальшивыми отзывами, и советует людям относиться к ним скептически и следить за любыми подозрительными шаблонами, чтобы выявить те, которые имеют.

Вот несколько советов, как использовать обзоры с умом:

iStock

И Халифа, и Нунан говорят, что просто чтение обзоров — большая часть того, чтобы вас не обманули. «Не полагайтесь только на средний рейтинг и количество отзывов», — добавляет Нунан. «Даже то, что имеет 4,8 звезды и 10 000 отзывов, можно подвергнуть серьезным манипуляциям, перехватить или присвоить одним нажатием (т. Е. Оценить без написания сопроводительного отзыва)».

Нунан также рекомендует сортировать обзоры по дате, сначала самые новые: «Иногда качество продукта меняется со временем, поэтому просмотр новых отзывов помогает понять, что изменилось.”

FakeSpot / ReviewMeta

Вы, конечно, не можете прочитать все, и здесь вступают в игру такие инструменты, как Fakespot и ReviewMeta. Вы можете использовать любую программу в качестве расширения браузера (аналогично Camelizer, который предупреждает вас об изменениях в истории цен на товар), так как приложение или просто вставив URL-адрес продукта, который вы просматриваете, в панель инструментов на соответствующих веб-сайтах компаний. Обе платформы затем используют алгоритмы для обнаружения подозрительных шаблонов в рецензиях, а также в истории самих рецензентов.Красные флажки включают такие вещи, как повторяющиеся фразы и всплески количества рецензий, написанных за очень короткий период времени.

Fakespot подчеркивает роль распознавания языковых образов в этом процессе, написав на странице часто задаваемых вопросов компании: «Лингвистика играет огромную роль в каждом анализе, но это гораздо сложнее, чем просто поиск определенных ключевых слов». ReviewMeta, со своей стороны, имеет целую страницу, посвященную объяснению своего статистического моделирования и 12 тестов, которые он использует для анализа подлинности обзора.

После прохождения страницы продукта через свой алгоритм, ReviewMeta представляет клиентам скорректированный числовой рейтинг, основанный только на отзывах, которые были признаны заслуживающими доверия, а также более подробный отчет о том, откуда взялось это число. Между тем Fakespot присваивает продукту буквенную оценку от A до F, которая соответствует подлинности отзыва (оценка «A» означает, что продукт имеет более высокий процент надежных отзывов, чем продукт с оценкой «F»). На сайте также были запущены новые бета-функции, которые подчеркивают полезность отзывов для покупателей, в том числе «наиболее / наименее положительные отзывы».”

Эти инструменты не надежны. Некоторые пользователи жалуются на то, что их законные отзывы помечаются или видят, что ненадежные отзывы скрипят через алгоритмы. А учитывая, что сторонние программы, подобные этой, полагаются на общедоступные данные обзоров, они будут более точными в отношении продуктов, для которых нужно проанализировать больше отзывов.

В заявлении, предоставленном CNN Underscored, Amazon заявила, что, хотя она поощряет пользователей использовать кнопку ссылки «сообщить о злоупотреблении» в обзорах, которые кажутся подозрительными, она не поддерживает сторонние программы анализа обзоров:

«Такие компании, как Fakespot и ReviewMeta, которые заявляют, что« проверяют »отзывы, не могут конкретно определить подлинность отзыва, так как у них нет доступа к конфиденциальным данным Amazon, таким как рецензент, продавец и история продукта.[…] Дело в том, что у них просто нет доступа к имеющейся у нас информации, и они ошибочно обвиняют отзывы настоящих клиентов, которые много работали, чтобы предоставить ценные отзывы, чтобы другие покупатели могли получить выгоду. Это не значит, что плохих актеров нет; мы знаем о злоумышленниках, которые пытаются злоупотребить нашими системами, и мы продолжаем вкладывать значительные ресурсы в защиту целостности наших обзоров, и мы не перестанем усердно работать от имени наших клиентов и партнеров по продажам ».

Здесь, в Underscored, редакторы часто используют эти программы, чтобы помочь проанализировать общественное мнение о продукте.Однако мы не считаем их выводы абсолютными. Мы рекомендуем потребителям также использовать их, но с таким же настороженным взглядом, и как один из многих инструментов.

iStock

Халифа также рекомендует заглянуть на YouTube или в другие видеообзоры, где вы можете увидеть, как рецензенты действительно используют физический продукт. И, конечно же, такие веб-сайты, как CNN Underscored, проводят обширные исследования и практические испытания, прежде чем рекомендовать продукты читателям.

iStock

С недоверием относитесь к количеству отзывов о продукте.По мнению Халифы, что-то вроде зарядного устройства для телефона с 30 000 отзывов, вероятно, должно вызвать недоумение в отношении достоверности отзывов, потому что это такая вещь, которая просто «работает или не работает». Он говорит, что когда вы смотрите на такие числа, вы должны спросить себя: «Подождите, а кто напишет отзыв о батарейном блоке?»

iStock

Наконец, Нунан говорит: «Всегда, всегда, всегда возвращайте товары, если вы чувствуете, что вас обманули.У Amazon отличная политика возврата, и это дает серьезный финансовый сигнал как Amazon, так и поставщику, что вы не потерпите некачественные продукты, которые поддерживаются фальсифицированными отзывами ».

Как обнаружить поддельные обзоры на Amazon с помощью онлайн-инструментов

• Вы можете обнаружить поддельные отзывы Amazon, используя несколько различных методов и инструментов, которые помогут вам обнаружить признаки поддельного отзыва.
• Amazon позволяет людям получать бесплатные продукты в обмен на обзор, если этот обмен четко указан в опубликованном тексте.
• Как правило, вам следует обращать внимание на отзывы, в частности, которые являются либо чрезмерно положительными, либо чрезмерно отрицательными без каких-либо подробностей.
• Посетите домашнюю страницу Business Insider, чтобы узнать больше.

Идет загрузка.

Если вы похожи почти на всех на земле, вы используете Amazon для совершения нескольких покупок в год, а если вы похожи на многих людей, вы полагаетесь на гиганта онлайн-торговли, который сделает большую часть своих покупок.

В любом случае это означает, что вы часто полагаетесь на обзоры и рейтинги Amazon, которые дают вам уверенность при покупке или передаче товара.

Проблема? По словам младшего редактора PCMag Джейсона Коэна, на Amazon полно фальшивых отзывов.

Знание того, как их обнаружить, имеет решающее значение для понимания, когда нажимать кнопку «Купить сейчас», а когда продолжать поиск.

«Ярлык Amazon« Подтвержденная покупка »призван уменьшить опасения по поводу фальшивых отзывов, — сказал Коэн, — но этого недостаточно.Вместо этого используйте сторонние инструменты, чтобы исключить поддельные отзывы и получить более надежные оценки ».

Как распознать поддельные отзывы на Amazon

Всегда ищите небольшое количество умеренно положительных отзывов о продукте, имеющих три или четыре звезды и несколько хороших оценок или две звезды с законными жалобами.

В однозвездочных обзорах убедитесь, что проблема человека связана с самим продуктом, а не со службой поддержки клиентов или по какой-либо другой причине, связанной с его жизнью, но не по вине товара.

Отметьте обзоры, в которых критика вплетена в их положительные отзывы; это самые надежные. Изабелла Паолетто / Business Insider

И затем, конечно, вы также можете (и должны также) делать перекрестные ссылки на продукт за пределами самого Amazon, читая отзывы клиентов на других сайтах, а также, когда это возможно, экспертное освещение продукта.

Вот общие красные флажки фальшивых или, в лучшем случае, лукавых отзывов Amazon — поймайте их достаточно, и вы должны усомниться в качестве продукта и, вероятно, двигаться дальше.

• Низкое количество обзоров, особенно по сравнению с аналогичными продуктами
• Все или большинство обзоров совсем недавно
• Во всех или в большинстве обзоров говорится, что они были обменены на бесплатный образец продукта (например, Vine Customer Review)
• Несколько пяти- звездные или однозвездочные обзоры, сопровождаемые кратким текстом.

Если вы видите обзор, который, по вашему мнению, является подделкой, не сидите и скрежете зубами перед экраном. Коэн напоминает нам, что «если вы столкнетесь с обзором, который, по вашему мнению, является поддельным, вы можете сообщить о нем [Amazon] и отметить его для расследования и возможного удаления».

Сторонние сайты также могут использоваться для обнаружения поддельных отзывов. Эти сайты используют алгоритмы для анализа языка и истории покупок рецензентов, чтобы определить, какие отзывы с наибольшей вероятностью будут поддельными.

«Всегда используйте сторонние инструменты, чтобы исключить поддельные отзывы и получить более надежные оценки», — сказал Коэн.»[Сайты], такие как Fakespot и ReviewMeta, используют алгоритмы для анализа языка и истории покупок рецензентов, чтобы определить, какие отзывы с наибольшей вероятностью будут поддельными. В зависимости от того, как работает инструмент, он может либо оценить надежность страницы продукта, либо удалить поддельные отзывы из совокупности, чтобы повторно оценить рейтинг продукта. Многие из этих инструментов предлагают расширения для браузера, упрощающие использование «.

Все, что вам нужно сделать, это скопировать и вставить URL-адрес продукта в одну из панелей задач сайта, и вы получите отчет о потенциальной надежности или ее отсутствии.

Сообщение о фальшивых отзывах может помочь другим покупателям позже и, при наличии достаточного количества нарушений, может быть заблокировано на сайте. Изабелла Паолетто / Business Insider

Эти отчеты собираются компьютерами и далеко не безошибочны, но они могут помочь вам решить, нужны ли дополнительные исследования или пора покупать.

Стивен Джон

Писатель-фрилансер

Обнаружение фальшивых обзоров на онлайн-платформах электронной коммерции: систематический обзор литературы

Aghakhani H, MacHiry A, Nilizadeh S, Kruegel C, Vigna G (2018) Выявление обманчивых обзоров с использованием генеративных состязательных сетей.В: Материалы симпозиума IEEE 2018 г., посвященные семинарам по безопасности и конфиденциальности, стр. 89–95. 1805.10364v1

Akoglu L, Chandy R, Faloutsos C (2013) Обнаружение фальсификации мнений в онлайн-обзорах с помощью сетевых эффектов. In: Proceedings of 7th International Conference on weblogs and social media, pp 2–11

Algur SP, Patil AP, Hiremath PS, Shivashankar S (2010) Обнаружение спама на основе оценки схожести концептуального уровня. In: Proceedings of the 2010 International Conference on signal and image processing, pp 416–423

Allahbakhsh M, Ignjatovic A, Benatallah B, Beheshti SMR, Bertino E, Foo N (2013) Выявление сговоров в онлайн-рейтингах.В: Proceedings of Asia-Pacific web Conference, Springer, vol 7808 LNCS, pp 196–207

Ananthakrishnan UM, Li B, Smith MD (2020) Запутанная сеть: должны ли порталы онлайн-обзоров отображать мошеннические обзоры? Inf Syst Res

Banerjee S (2019) Методологический шаблон для построения достоверных достоверных и фальшивых онлайн-обзоров. В: Proceedings 2018 5-я международная конференция IEEE по науке о данных и расширенной аналитике, DSAA 2018. Institute of Electrical and Electronics Engineers Inc., pp. 641–648

Banerjee S, Chua AY (2014a) Исследование манипулятивных и достоверных отрицательных отзывов. В: Материалы 8-й международной конференции по повсеместному управлению информацией и коммуникациям. ACM, pp 1–6

Banerjee S, Chua AY (2014b) Аплодисменты в отзывах об отелях: искренние или обманчивые? В: Материалы научно-информационной конференции 2014 г., IEEE, стр. 938–942

Banerjee S, Chua AY (2017) Сравнение достоверных и вымышленных онлайн-обзоров: текстовый анализ роскошных, бюджетных и средних отелей.J Inf Sci 43 (1): 122–134

Статья Google ученый

Banerjee S, Chua AY, Kim JJ (2015) Использование обучения с учителем для классификации подлинных и поддельных онлайн-обзоров. В: Материалы 9-й международной конференции по повсеместному управлению информацией и коммуникациям, стр. 1–7

Барбадо Р., Араке О, Иглесиас, Калифорния (2019) Структура для обнаружения фальшивых отзывов в онлайн-магазинах бытовой электроники. Inf Process Manage 56 (4): 1234–1244 1903.12452

Артикул Google ученый

Beutel A, Xu W, Guruswami V, Palow C, Faloutsos C (2013) Copycatch: остановка групповых атак путем обнаружения локального поведения в социальных сетях. В: Материалы 22-й международной конференции по всемирной паутине. ACM Press, New York, pp. 119–130

Beutel A, Murray K, Faloutsos C, Smola AJ (2014) CoBaFi — Совместная байесовская фильтрация. В: Материалы 23-й международной конференции во всемирной паутине, стр. 97–108

Бошмаф Ю., Муслухов И., Безносов К., Рипяну М. (2011) Сеть социальных ботов: когда боты общаются ради славы и денег.В: Proceedings of ACM International Conference Proicing series, pp 93–102

Cao Q, Sirivianos M, Yang X, Pregueiro T (2012) Содействие обнаружению поддельных учетных записей в крупномасштабных социальных онлайн-сервисах. В: Материалы 9-го симпозиума USENIX по проектированию и внедрению сетевых систем, стр. 197–210

Цао Кью, Ян Х, Ю Дж, Палоу С. (2014) Выявление больших групп активных вредоносных учетных записей в социальных сетях. В: Материалы конференции ACM по компьютерной и коммуникационной безопасности, стр. 477–488

Cardoso EF, Silva RM, Almeida TA (2018) К автоматической фильтрации поддельных отзывов.Neurocomputing 309: 106–116

Статья Google ученый

Чу Э, Ю Т., Чи М. (2015) Обнаружение групп спамеров, пользующихся мнениями, посредством обнаружения сообществ и анализа настроений. В: Материалы ежегодной конференции IFIP по безопасности и конфиденциальности данных и приложений. Springer, pp 170–187

Crawford M, Khoshgoftaar TM, Prusa JD, Richter AN, Al Najada H (2015) Обзор проверки обнаружения спама с использованием методов машинного обучения.J Big Data 2 (1): 23

Статья Google ученый

Crawford M, Khoshgoftaar TM, Prusa JD (2016) Сокращение набора функций для облегчения обнаружения спама в реальных обзорах. В: Материалы 29-й международной конференции общества исследований искусственного интеллекта Флориды, стр. 304–309

Деванг Р.К., Сингх А.К. (2018) Современные подходы к проверке обнаружения спамеров: обзор. J Intell Inf Syst 50 (2): 231–264

Статья Google ученый

Dong LY, Ji SJ, Zhang CJ, Zhang Q, Chiu DW, Qiu LQ, Li D (2018) Совместная вероятностная модель темы и настроений без учителя для обнаружения обманчивых обзоров.Expert Syst Appl 114: 210–223

Статья Google ученый

Dong M, Yao L, Wang X, Benatallah B, Huang C, Ning X (2020) Обнаружение фальсификации мнений с помощью леса решений нейронного автоэнкодера. Pattern Recogn Lett 132: 21–29 1805.03379

Статья Google ученый

Фарасат А., Николаев А., Шрихари С. Н., Блэр Р. (2015) Вероятностные графические модели в анализе современных социальных сетей.Soc Netw Anal Min 5 (1): 1–18

Статья Google ученый

Fayazi A, Lee K, Caverlee J, Squicciarini A (2015) Раскрытие краудсорсинговых манипуляций с онлайн-обзорами. В: Материалы 38-й международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска, стр. 233–242

Fei G, Mukherjee A, Liu B, Hsu M, Castellanos M, Ghosh R (2013) Использование всплесков в обзорах для просмотреть обнаружение спамеров.В: Материалы 7-й международной конференции по блогам и социальным сетям, стр. 175–184

Фен С., Банерджи Р., Чой Й. (2012a) Синтаксическая стилометрия для обнаружения обмана. В: Материалы 50-го ежегодного собрания ассоциации компьютерной лингвистики. ACL, том 2, стр. 171–175

Фэн С., Син Л., Гогар А., Чой Й. (2012b) Следы распространения вводящих в заблуждение обзоров продуктов. В: Материалы 6-й международной конференции AAI по блогам и социальным сетям, стр. 98–105

Фэн В.В., Херст Дж. (2013) Выявление ложных мнений с помощью совместимости профилей.В: Материалы 6-й международной совместной конференции по обработке естественного языка, стр. 338–346

Фонтанарава Дж., Паси Дж., Вивиани М. (2017) Анализ признаков для обнаружения фальшивых отзывов с помощью контролируемой классификации. В: Материалы международной конференции 2017 г. по науке о данных и продвинутой аналитике. IEEE, vol 2018 — Janua, pp 658–666

Fusilier DH, Cabrera RG, Montes-y Gómez M, Rosso P (2013) Использование PU-обучения для обнаружения спама, вводящего в заблуждение.В: Материалы 4-го семинара по вычислительным подходам к субъективности, сантиментам и анализу социальных сетей. ACL, pp. 38–45

Fusilier DH, Montes-y Gómez M, Rosso P, Guzmán Cabrera R (2015a) Выявление положительных и отрицательных ложных мнений с помощью PU-обучения. Inf Process Manage 51 (4): 433–443

Статья Google ученый

Fusilier DH, Montes-Y-Gómez M, Rosso P, Cabrera RG (2015b) Обнаружение спама с мнениями с символьными n-граммами.В: Материалы международной конференции по интеллектуальной обработке текстов и компьютерной лингвистике. Springer, vol 9042, pp 285–294

Hai Z, Zhao P, Cheng P, Yang P, Li XL, Li G (2016) Обнаружение спама с помощью обманчивого обзора путем использования взаимосвязи задач и немаркированных данных. В: Материалы конференции 2016 года по эмпирическим методам обработки естественного языка, стр. 1817–1826

Харрис К.Г. (2012) Обнаружение спама, вводящего в заблуждение, с использованием человеческих вычислений.В: Материалы семинаров на 26-й конференции AAAI по искусственному интеллекту, том WS-12-08, стр. 87–93

Heydari A, Ali Tavakoli M, Salim N, Heydari Z (2015) Выявление обзорного спама: a опрос. Exp Syst Appl 42 (7): 3634–3642

Статья Google ученый

Хейдари А., Таваколи М., Салим Н. (2016) Обнаружение ложных мнений с использованием временных рядов. Expert Syst Appl 58: 83–92

Статья Google ученый

Hooi B, Shah N, Beutel A, Günnemann S, Akoglu L, Kumar M, Makhija D, Faloutsos C (2016) BIRDNEST: Байесовский вывод для выявления мошенничества с рейтингами.В: Материалы международной конференции SIAM 2016 по интеллектуальному анализу данных. SIAM, pp 495–503

Hu N, Zhang J, Pavlou PA (2009) Преодоление J-образного распределения обзоров продуктов. Commun ACM 52 (10): 144–147

Статья Google ученый

Hussain N, Turab Mirza H, Rasool G, Hussain I., Kaleem M (2019) Методы обнаружения спама в обзоре: систематический обзор литературы. Appl Sci 9 (5): 987

Статья Google ученый

Джиндал Н., Лю Б. (2007a) Анализ и обнаружение спама в обзорах.В: Материалы международной конференции IEEE по интеллектуальному анализу данных. IEEE, pp 547–552

Джиндал Н., Лю Б. (2007b) Обзор обнаружения спама. В: Материалы 16-й международной конференции по всемирной паутине, стр. 1189–1190

Джиндал Н., Лю Б. (2008) Спам и анализ мнений. In: Proceedings of 2008 International Conference on Web Search and Data Mining, pp 219–229

Jindal N, Liu B, Lim EP (2010) Поиск необычных шаблонов обзора с использованием неожиданных правил.В: Материалы 19-й международной конференции ACM по управлению информацией и знаниями, стр. 1549–1552

Кьяртанссон С., Шаббир Д. (2017) Временная эволюция взвешенных подписанных сетей. В: Proceedings of NIPS 2016

Koller D, Friedman N (2009) Вероятностные графические модели: принципы и методы. MIT Press, Кембридж

MATH Google ученый

Кумар Н., Венугопал Д., Цю Л., Кумар С. (2018a) Обнаружение манипуляций с обзорами на онлайн-платформах с иерархическим обучением с учителем.J Manag Inf Syst 35 (1): 350–380

Статья Google ученый

Кумар С., Шах Н. (2018) Ложная информация в Интернете и социальных сетях: опрос. Препринт arXiv arXiv: 1804.08559v1

Kumar S, Hooi B, Makhija D, Kumar M, Faloutsos C, Subrahamanian VS (2017) FairJudge: надежные прогнозы пользователей на рейтинговых платформах. Препринт arXiv arXiv: 1703.10545

Kumar S, Hooi B, Makhija D, Kumar M, Faloutsos C, Subrahmanian V (2018b) Rev2: Мошеннические прогнозы пользователей на рейтинговых платформах.В: Материалы 11-й международной конференции ACM по веб-поиску и интеллектуальному анализу данных. ACM Press, Нью-Йорк, стр. 333–341

Lai CL, Xu KQ, Lau RY, Li Y, Jing L (2010a) К подходу языкового моделирования для обнаружения спама в отзывах потребителей. В: Материалы международной конференции IEEE по разработке электронного бизнеса, стр. 1–8

Lai CL, Xu KQ, Lau RY, Li Y, Song D (2010b) Анализ концептуальных ассоциаций высокого порядка и моделирование логического языка для онлайн просмотрите обнаружение спама.В: Материалы международной конференции IEEE по интеллектуальному анализу данных, стр. 1120–1127

Лай В., Тан С. (2019) О человеческих предсказаниях с объяснениями и предсказаниями моделей машинного обучения: тематическое исследование по обнаружению обмана. В: Материалы конференции по вопросам справедливости, подотчетности и прозрачности. ACM, стр. 29–38. 1811.07901

Lau RY, Liao SY, Chi-Wai Kwok R, Xu K, Xia Y, Li Y (2011) Анализ текста и вероятностное языковое моделирование для обнаружения спама в онлайн-обзорах.ACM Trans Manag Inf Syst 2 (4): 1–30

Статья Google ученый

Lazer DM, Baum MA, Benkler Y, Berinsky AJ, Greenhill KM, Menczer F, Metzger MJ, Nyhan B, Pennycook G, Rothschild D, Schudson M, Sloman SA, Sunstein CR, Thorson EA, Watts DJ, Zittrain JL (2018) Наука о фейковых новостях: устранение фейковых новостей требует междисциплинарных усилий. Science 359 (6380): 1094–1096

Статья Google ученый

Ли Ф, Хуанг М., Ян Y, Чжу X (2011) Учимся определять спам в обзорах.В кн .: Материалы международной совместной конференции по искусственному интеллекту. AAAI Press, pp 2488–2493

Li H, Chen Z, Liu B, Wei X, Shao J (2014a) Выявление фальшивых обзоров посредством коллективного позитива без метки обучения. В: Материалы международной конференции IEEE по интеллектуальному анализу данных, ICDM. IEEE, стр. 899–904

Ли Х., Лю Б., Мукерджи А., Шао Дж. (2014b) Выявление фальшивых обзоров с помощью обучения без обозначения положительных результатов. Computacion y Sistemas 18 (3): 467–475

Google ученый

Ли Х, Чен З., Мукерджи А., Лю Б., Шао Дж. (2015) Анализ и обнаружение спама с мнениями в крупномасштабном наборе данных с помощью временных и пространственных шаблонов.In: Proceedings of 9th International Conference on Web and Social Media

Li H, Fei G, Wang S, Liu B, Shao W, Mukherjee A, Shao J (2016) Моделирование обзорного спама с использованием временных шаблонов и совместных действий . Препринт arXiv arXiv: 1611.06625

Li J, Cardie C, Li S (2013) TopicSpam: подход на основе тематической модели для обнаружения спама. В: Протоколы 51-го ежегодного собрания ассоциации компьютерной лингвистики, том 2, стр. 217–221

Ли Дж., Отт М., Карди С., Хови Э. (2014c) К общему правилу выявления спама, вводящего в заблуждение.В: Материалы 52-го ежегодного собрания ассоциации компьютерной лингвистики. ACL, том 1, стр. 1566–1576

Li L, Qin B, Ren W, Liu T (2017) Представление документа и комбинация функций для обнаружения ложных проверок спама. Neurocomputing 254: 33–41

Статья Google ученый

Li Q, Wu Q, Zhu C, Zhang J, Zhao W. (2019) Неконтролируемое представление поведения пользователя для обнаружения мошенничества с проблемой холодного запуска.В: Труды Тихоокеанско-азиатской конференции по открытию знаний и интеллектуальному анализу данных. Springer Verlag, vol 11439 LNAI, pp 222–236

Lim EP, Nguyen VA, Jindal N, Liu B., Lauw HW (2010) Выявление спамеров в обзорах продуктов с помощью рейтингового поведения. В: Материалы 19-й международной конференции ACM по управлению информацией и знаниями. ACM Press, New York, p 939

Lin Y, Zhu T, Wang X, Zhang J, Zhou A (2014) На пути к обнаружению спама в онлайн-обзоре. В: Материалы 23-й международной конференции во всемирной паутине, стр. 341–342, 1107.4557

Liu Y, Pang B (2018) Унифицированная структура для обнаружения спама авторов путем моделирования отклонения отзыва. Expert Syst Appl 112: 148–155

Статья Google ученый

Lu Y, Zhang L, Xiao Y, Li Y (2013) Одновременное обнаружение фальшивых обзоров и просмотр спамеров с использованием модели факторного графа. В: Материалы 5-й ежегодной веб-конференции ACM, ACM, стр. 225–233

Лука М. (2012) Обзоры, репутация и доходы: пример Yelp.Com. SSRN Electron J

Luca M, Zervas G (2016) Подделывайте, пока не добьетесь: репутация, конкуренция и мошенничество с кричащими отзывами. Manage Sci 62 (12): 3412–3427

Статья Google ученый

Мартенс Д., Маалей В. (2019) На пути к пониманию и обнаружению поддельных отзывов в магазинах приложений. Empir Softw Eng 24 (6): 3316–3355 1904.12607

Статья Google ученый

Мохер Д., Либерати А., Тецлафф Дж., Альтман Д. Г., Альтман Д., Антес Дж., Аткинс Д., Барбур В., Барроумен Н., Берлин Дж. А., Кларк Дж., Кларк М., Кук Д., Д’Амико Р., Дикс Дж. , Devereaux PJ, Dickersin K, Egger M, Ernst E, Gøtzsche PC, Grimshaw J, Guyatt G, Higgins J, Ioannidis JP, Kleijnen J, Lang T, Magrini N, McNamee D, Moja L, Mulrow C, Napoli M, Oxman A, Pham B, Rennie D, Sampson M, Schulz KF, Shekelle PG, Tovey D, Tugwell P (2009) Предпочтительные элементы отчетности для систематических обзоров и метаанализов: заявление PRISMA.PLoS Med 6 (7): e1000097

Артикул Google ученый

Mukherjee A, Liu B, Wang J, Glance N, Jindal N (2011) Обнаружение спама групповых обзоров. В: Материалы 20-й международной конференции в Интернете, стр. 93–94

Мукерджи А., Лю Б., Glance N (2012) Выявление поддельных групп рецензентов в отзывах потребителей. В: Материалы 21-й ежегодной конференции во всемирной паутине, стр. 191–200

Мукерджи А., Кумар А., Лю Б., Ван Дж., Сюй М., Кастелланос М., Гош Р. (2013a) Выявление спамеров, использующих поведенческие следы.В: Материалы международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных, стр. 632–640

Мукерджи А., Венкатараман В., Лю Б. (2013b) Обнаружение фальшивых обзоров: классификация и анализ реальных и псевдо-обзоров. Технический представитель Kansai Univ 80 (2): 159–169

Google ученый

Мукерджи А., Венкатараман В., Лю Б., Glance N (2013c) Что может делать фильтр фальшивых отзывов? In: Proceedings of 7th International Conference on weblogs and social media, pp 409–418

Mukherjee S, Dutta S, Weikum G (2016) Достоверное обнаружение обзоров с ограниченной информацией с использованием функций согласованности.В: Материалы совместной европейской конференции по машинному обучению и открытию знаний в базах данных. Springer Verlag, стр. 195–213. 1705.02668

Najada HA, Zhu X (2014) ISRD: Обнаружение спама при несбалансированном распределении данных. В: Материалы 15-й международной конференции IEEE 2014 г. по повторному использованию и интеграции информации. IEEE, стр. 553–560

Отт М., Чой Й, Карди С., Хэнкок Дж. Т. (2011) Поиск спама, вводящего в заблуждение, с помощью любого воображения.В: Материалы 49-го ежегодного собрания ассоциации компьютерной лингвистики: технологии человеческого языка. ACL, том 1, стр. 309–319. 1107.4557

Отт М., Карди С., Хэнкок Дж. (2012) Оценка распространенности обмана в сообществах онлайн-обзоров. В: Материалы 21-й ежегодной конференции во всемирной паутине, стр. 201–210. 1204.2804

Отт М., Карди С., Хэнкок Дж. Т. (2013) Спам с негативным обманчивым мнением. В: Proceedings of NAACL HLT 2013. ACL, pp 497–501

Peng Q, Zhong M (2014) Обнаружение спама при помощи анализа тональности.J Softw 9 (8): 2065–72

Статья Google ученый

Плоткина Д., Мюнзель А., Паллуд Дж. (2020) Иллюзии истины — экспериментальное понимание человеческого и алгоритмического обнаружения поддельных онлайн-обзоров. J Bus Res 109: 511–523

Статья Google ученый

Райана С., Акоглу Л. (2015) Обнаружение спама коллективного мнения. В: Материалы 21-й международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных.ACM Press, Нью-Йорк, стр 985–994. 1603.01929

Рен Й, Джи Д. (2017) Нейронные сети для обнаружения спама с ложным мнением: эмпирическое исследование. Inf Sci 385: 213–224

Статья Google ученый

Ren Y, Ji D (2019) Обучение обнаружению ложного спама с мнениями: опрос. IEEE Access 7: 42934–42945

Статья Google ученый

Ren Y, Zhang Y (2016) Обнаружение спама, вводящего в заблуждение, с помощью нейронной сети.В: Материалы 26-й международной конференции по компьютерной лингвистике: технические статьи, стр. 140–150

Ren Y, Ji D, Zhang H (2014) Позитивное немаркированное обучение для обнаружения обманчивых отзывов. В: Материалы конференции 2014 года по эмпирическим методам обработки естественного языка, стр 488–498

Rout JK, Dalmia A, Choo KKR, Bakshi S, Jena SK (2017a) Возвращение к полу-контролируемому обучению для обнаружения обманчивых обзоров онлайн. IEEE Access 5: 1319–1327

Статья Google ученый

Rout JK, Singh S, Jena SK, Bakshi S (2017b) Обнаружение ложных проверок с использованием помеченных и немаркированных данных.Multimed Tools Appl 76 (3): 3187–3211

Артикул Google ученый

Ruan X, Wu Z, Wang H, Jajodia S (2016) Профилирование социального поведения в Интернете для обнаружения взломанной учетной записи. IEEE Trans Inf Forensics Secur 11 (1): 176–187

Статья Google ученый

Сандулеску В., Эстер М. (2015) Обнаружение спамеров с одноэлементным обзором с использованием семантического сходства. In: Proceedings of 24th International Conference on World Wide Web, pp 971–976

Santosh KC, Mukherjee A (2016) О временной динамике спама мнений: тематические исследования по yelp.In: Proceedings of 25th International Conference on World Wide Web, стр. 369–379

Savage D, Zhang X, Yu X, Chou P, Wang Q (2015) Обнаружение спама с мнениями на основе аномального отклонения рейтинга. Expert Syst Appl 42 (22): 8650–8657 1608.00684

Статья Google ученый

Шах Н., Бьютель А., Хой Б., Акоглу Л., Гуннеманн С., Махиджа Д., Кумар М., Фалаутсос С. (2017) EdgeCentric: обнаружение аномалий в сетях с граничными атрибутами.В: Proc. IEEE Int. Конф. на семинарах по интеллектуальному анализу данных. IEEE, стр. 327–334. 1510.05544v2

Шарма К., Лин К.И. (2013) Обзор детектора спама с проверкой согласованности рейтинга. В: Proc. 51-я Юго-восточная конференция ACM, стр. 1–6

Шехнепур С., Салехи М., Фарахбахш Р., Креспи Н. (2017) NetSpam: Сетевая структура обнаружения спама для обзоров в социальных сетях в Интернете. IEEE Trans Inf Forensics Secur 12 (7): 1585–1595

Статья Google ученый

Shojaee S, Murad MAA, Azman AB, Sharef NM, Nadali S (2014) Обнаружение вводящих в заблуждение обзоров с использованием лексических и синтаксических функций.В: Материалы 13-й международной конференции по проектированию и приложениям интеллектуальных систем. IEEE, стр. 53–58.

Стейн Т., Чен Э., Мангла К. (2011) Иммунная система Facebook. В: Материалы 4-го семинара по системам социальных сетей, стр. 1–8

Sun H, Morales A, Yan X (2013) Синтетический обзор спама и защиты. В: Материалы международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных, стр. 1088–1096

Виданагама Д.Ю., Сильва Т.П., Карунананда А.С. (2020) Обнаружение обманчивых отзывов потребителей: опрос.Artif Intell Rev 53 (2): 1323–1352

Статья Google ученый

Wahyuni ​​ED, Djunaidy A (2016) Обнаружение фальшивых отзывов из обзора продукта с использованием модифицированного метода итеративной вычислительной структуры. В: Материалы конференции MATEC, EDP Sciences, том 58, стр. 03003

Wang G, Xie S, Liu B, Yu PS (2011) Обнаружение спамеров в интернет-магазине. В: Материалы международной конференции IEEE 2011 г. по интеллектуальному анализу данных.IEEE, pp. 1242–1247

Wang G, Xie S, Liu B, Yu PS (2012) Выявите спамеров, просматривающих интернет-магазины, с помощью диаграммы социальных обзоров. ACM Trans Intell Syst Technol 3 (4): 1–21

Google ученый

Ван Г., Конолиге Т., Уилсон С., Ван Х, Чжэн Х., Чжао Б.А. (2013) Вы как вы щелкаете: анализ потока кликов для обнаружения Сибиллы. В: Материалы 22-го симпозиума по безопасности USENIX, стр. 241–256

Ван X, Лю К., Хе С., Чжао Дж. (2016a) Учимся представлять обзор с помощью тензорной декомпозиции для обнаружения спама.В: Материалы конференции по эмпирическим методам обработки естественного языка. ACL, стр. 866–875

Ван X, Лю К., Чжао Дж. (2017) Решение проблемы холодного запуска при проверке обнаружения спама путем совместного встраивания текстов и поведения. В: Материалы 55-го ежегодного собрания ассоциации компьютерной лингвистики, конференция (Длинные статьи), том 1, стр. 366–376

Ван З., Хоу Т., Сонг Д., Ли З., Конг Т. (2016b) Обзор поиска. группы спамеров с помощью проекции двудольного графа.Comput J 59 (6): 861–874

Статья Google ученый

Wang Z, Gu S, Zhao X, Xu X (2018) Обнаружение групп спамеров с обзором на основе графиков. Knowl Inf Syst 55 (3): 571–597

Статья Google ученый

Wu G, Greene D, Cunningham P (2010a) Объединение нескольких критериев для выявления подозрительных обзоров. В: Материалы 4-й конференции ACM по рекомендательным системам, стр. 241–244

Ву Г., Грин Д., Смит Б., Каннингем П. (2010b) Искажение как критерий проверки при выявлении подозрительных обзоров.В: Материалы 1-го семинара по аналитике социальных сетей, стр. 10–13

Ву Й, Нгай Э. У., Ву П, Ву С. (2020) Поддельные онлайн-обзоры: обзор литературы, синтез и направления будущих исследований. Decis Support Syst 132

Wu Z, Wang Y, Wang Y, Wu J, Cao J, Zhang L (2016) Обнаружение спамеров по обзорам продуктов: гибридная модель. В: Материалы международной конференции IEEE по интеллектуальному анализу данных. IEEE, pp. 1039–1044

Xie S, Wang G, Lin S, Yu PS (2012) Обзор обнаружения спама с помощью обнаружения временных шаблонов.В: Материалы 18-й международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных. ACM Press, Нью-Йорк, стр. 823–831

Xu C, Zhang J (2016) На пути к обнаружению мошенничества в сговоре в онлайн-обзорах. В: Материалы международной конференции IEEE 2015 года по интеллектуальному анализу данных. IEEE, pp 1051–1056

Xu C, Zhang J, Chang K, Long C, Xu C, Zhang J, Chang K, Long C (2013) Раскрытие тайных спамеров на китайских веб-сайтах с обзорами. В: Материалы 22-й международной конференции ACM по управлению информацией и знаниями.ACM Press, New York, pp 979–988

Xu Q, Zhao H (2012) Использование глубоких лингвистических функций для поиска спама, вводящего в заблуждение. In: Proceedings of COLING 2012: Posters, pp 1341–1350

Xu Y, Shi B, Tian W, Lam W (2015) Унифицированная модель для неконтролируемого обнаружения спама с мнениями, включающая общность текста. В: Материалы международной совместной конференции по искусственному интеллекту, стр. 725–732

Xue H, Li F, Seo H, Pluretti R (2015) Обнаружение спама с учетом доверия.В: Материалы 14-й международной конференции IEEE по вопросам доверия, безопасности и конфиденциальности в вычислениях и коммуникациях. IEEE, том 1, стр. 726–733

Янг З., Уилсон К., Ван Х, Гао Т., Чжао BY, Дай И (2011). Раскрытие сибиллов социальных сетей в дикой природе. В: Материалы конференции по измерениям в Интернете ACM SIGCOMM, IMC, стр. 259–268. 1106.5321

Yao Y, Viswanath B, Cryan J, Zheng H, Zhao BY (2017) Автоматизированные краудтерфинговые атаки и защита в системах онлайн-обзора.В: Материалы конференции ACM SIGSAC по компьютерной и коммуникационной безопасности, 2017 г., стр. 1143–1158,

Йе Дж, Акоглу Л. (2015) Выявление групп спамеров мнений по сетевым следам. В: Материалы совместной европейской конференции по машинному обучению и открытию знаний в базах данных. Springer Verlag, pp 267–282

Ye J, Kumar S, Akoglu L (2016) Обнаружение временного спама с мнениями по многомерным индикативным сигналам. В: Материалы 10-й международной конференции в Интернете и социальных сетях, стр. 743–746.1603.01929

Yoo KH, Gretzel U (2009) Сравнение обманчивых и правдивых отзывов о путешествиях.