Review Fraud Detection（虚假评论检测）
Skill-Review-Fraud-Detection · 19-风控反欺诈
causalknowledge_graphmulti_agentfraud_detection客服与VOC知识图谱与RAGMAS与智能体工程风控与合规WF-C 客服分诊WF-E Review监控WF-G Listing内容优化
收录于跨境风险防御作战室
年化 ROI5-15 万元
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐⭐☆
业务视角
适用角色运营负责人 / 合规负责人 · 品牌负责人 · CEO
适用平台Amazon 刷评检测与举报 · TikTok Shop 刷单识别 · 竞品 Listing 攻击溯源
什么情况下用竞品刷单刷好评，自己的 BSR 和评分被打压；账号/ASIN 被恶意投诉删除；店铺有异常订单不确定是真实买家
成功是什么样的识别过滤刷评/恶意竞争行为，账号风险提前预警，维权有数据证据，降低封号风险
业务痛点
1. 解决的问题
GNN 图神经网络检测虚假评论——不是看单条评论文本，而是看评论者-产品-评分之间的关系图。虚假评论团通常呈现异常图模式：同批次账号、评分极端（1 或 5 星）、评论时间集中、文本相似度高。
2. 核心算法逻辑
GNN 图神经网络检测虚假评论——不是看单条评论文本，而是看评论者产品评分之间的关系图。虚假评论团通常呈现异常图模式：同批次账号、评分极端（1 或 5 星）、评论时间集中、文本相似度高。
3. 业务应用场景
吸奶器 listing 突然收到 20 条 5 星好评，全部来自新账号（注册<30 天），文本相似度 0.85+。GNN 检测为虚假评论团，触发删除+上报 Amazon。避免被竞品恶意刷评导致 list 被限流。
年化止损：5-15 万元（避免 listing 降权 + 处罚）。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI：5-15 万元 | 难度：⭐⭐⭐☆☆ | 优先级：⭐⭐⭐⭐☆（填补图谱 HIGH 缺口）
7. 代码模板
代码块数量：1 · 路径：未检测到
import numpy as np
from sklearn.ensemble import IsolationForest
def detect_review_fraud(features: np.ndarray):
"""features: [user_age, rating, text_similarity_to_others, time_cluster, ...]"""
iso = IsolationForest(contamination=0.05, random_state=42)
preds = iso.fit_predict(features)
fraud_ratio = (preds == -1).mean()
return {'fraud_ratio': fraud_ratio, 'fraud_indices': np.where(preds == -1)[0]}
# test: 100 reviews, 5% fraud
X = np.random.randn(100, 5)
# inject anomaly cluster
X[-5:] = np.array([[0.1, 5.0, 0.9, 0.05, 0.95]]*5)
r = detect_review_fraud(X)
print(f"Fraud detected: {r['fraud_ratio']:.0%}, last 5 indices: {r['fraud_indices'][-5:]}")
assert all(i >= 94 for i in r['fraud_indices'][-5:])
print("[✓] Review Fraud Detection 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。