AIがAmazonの偽レビューを93％の精度で検出、星評価と感情傾向のズレも分析可能に

AmazonやYelpのようなレビュー機能を持つサイトでは、商品の評価や店舗の評判を確認してから購入や予約を決める人も多いはず。一方で、報酬を受け取った投稿者や自動化ボット、AIによって作られた偽レビューが混ざると質の低い商品や安全性に問題のある商品が高評価に見えてしまう可能性があります。イギリスのイースト・ロンドン大学の研究チームは、Amazonのレビューで93％、Yelpのレビューで91％の精度で偽レビューを検出するAIモデルを発表しました。

Metadata-Enhanced Hybrid Fusion Architecture: Commercial Fake Reviews Detection Model Using Transformer Embeddings | FinTech and Sustainable Innovation
https://ojs.bonviewpress.com/index.php/FSI/article/view/8859

AI system spots fake reviews with 93% accuracy on Amazon, 91% on Yelp
https://techxplore.com/news/2026-05-ai-fake-accuracy-amazon-yelp.html

研究チームが開発したモデルはレビュー本文だけを見るのではなく、文章の意味、レビューの長さ、感情傾向、星評価などを組み合わせて判定する「ハイブリッド融合モデル」とのこと。レビュー本文に「最悪だった」と書かれているのに星5が付いている場合や、非常に好意的な文章なのに低評価が付いている場合、感情傾向と星評価の不一致として扱われます。研究チームは感情傾向と星評価の不一致が偽レビューに見られる行動上の異常を捉える手がかりになると説明しています。

従来の偽レビュー検出では、特定のキーワードや単純な文章パターンを中心に判定する方法が使われてきました。しかし、偽レビューを書く側が検出を避けるために自然な文章を作るようになると、キーワード頼みの方法では見抜きにくくなります。研究チームのモデルでは、DistilBERTという言語AIを使ってレビュー文の文脈や意味を読み取り、星評価やレビューの長さといったメタデータを加えることで、文章だけでは分かりにくい不自然さも拾えるようにしたとのこと。

DistilBERTは、Googleが開発したBERTをもとに知識蒸留で軽量化された言語モデルで、単語を単独で処理するのではなく、前後の文脈を含めて意味を扱える点が特徴です。例えば「軽い」という言葉は、ノートPCの重量を褒めている場合もあれば、サービスの対応を批判している場合もあります。文脈を扱えるモデルでは、単語の出現回数だけを見る方法より細かい意味の違いを捉えやすくなります。

研究チームはAmazonの偽レビューデータセットとYelpのラベル付きレビューデータセットを使ってモデルを検証しました。Yelpは店舗やサービスの口コミを扱うプラットフォームで、Amazonの商品レビューとは文体や投稿内容が異なるため、2種類のデータを使うことでモデルの汎用性を調べた形です。

検証結果では、AmazonデータセットでDistilBERTが精度93％を記録しました。比較対象モデルの精度はサポートベクターマシンが90％、ロジスティック回帰が89％、ランダムフォレストとナイーブベイズが86％で、DistilBERTが全ての比較対象モデルを上回りました。

YelpデータセットでもDistilBERTは91％の精度を記録しました。ランダムフォレストとナイーブベイズは89％だった一方で、ロジスティック回帰は66％、サポートベクターマシンは65％にとどまっています。研究チームは、Yelpのレビューにはくだけた表現や多様な文体が多く、単純な特徴量に依存する従来型モデルでは扱いにくかったと分析しています。

研究チームは「感情傾向と星評価の不一致が特に重要だった」と述べています。極端に肯定的な文章と低い星評価の組み合わせ、または否定的な文章と高い星評価の組み合わせは、偽レビューで見られやすい異常として扱われました。文章の中身だけでなく、投稿の振る舞いに近い情報を加えたことで、判定結果の解釈もしやすくなったとのこと。

ただし、研究チームは実用化に向けた課題も挙げています。今後の研究ではより大規模で多様なデータセット、多言語データ、特定分野向けのレビューを使ってモデルを改善する必要があるとしています。また、RoBERTaやDeBERTa、LLMベースのエンコーダーといった新しいAIモデルの導入、ECサイトでリアルタイムに動かすための軽量化、判定理由を説明できるAIの導入も検討対象になるとのこと。

共著者のヒシャム・アブーグラード氏は、偽レビューはますます巧妙になっており検出が難しくなっているとしたうえで、AIによる言語理解と行動上の手がかりを組み合わせることで、誤解を招くレビューをより信頼性高く見つけられる可能性があると述べています。もう一人の共著者であるフィザ・リアズ氏は、怪しい単語を探すだけでなく文脈と行動を合わせて見ることで、偽レビューに関連するパターンをより適切に認識できると述べています。