论文题目（Title）：Learning to Generate Diverse and Authentic Reviews via an Encoder-Decoder Model with Transformer and GRU

研究问题（Question）：评论生成，由上下文+评论->生成评论

研究动机（Motivation）：现有的一些研究仅使用用户评论文本生成虚假评论，而另一些研究则利用了语境信息，如评论评分、餐厅名称、城市、州和食品标签。它缺乏将两者结合起来的研究工作。上下文信息有助于产生相关的评论，而评论文本有助于产生不同的评论。因此，将语境信息与已有的评论结合起来，有利于获得既相关又多样的评论。

主要贡献（Contribution）：个人觉得创新性不高，主要分为两点：

1. 设计了一个编码器-解码器评论生成模型，该模型结合了Transformer模型和GRU编码器，对来自用户评论和业务上下文的特征进行编码。
2. 提出了一个名为DMet的度量指标来衡量机器生成文本的多样性和新颖性。

研究思路（Idea）：选取一条文本描述和其对应的5条评论

第一部分是6层Transformer编码器，其输入是预处理后的上下文和目标分数。Transformer编码器将为上下文的每个标记生成输入嵌入和位置编码，然后通过自注意和多头注意创建上下文的新表示。

第二部分是GRU编码器，由最多5个子编码器组成，按1-5的顺序编号，作为索引号。每个子编码器处理带有输入审查列表Ri中匹配索引号的审查。如果索引数超过了输入评审列表中的评审数，相应的子编码器将无法用于该输入。

研究方法（Method）：

它的上下文是Transformer编码器的输入，而评论是GRU编码器的输入。然后，变压器编码器的输出和GRU编码器的隐藏状态被连接并馈送到变压器解码器，其最终输出是生成的评审。

研究过程（Process）：

        1.数据集（Dataset）：使用Yelp dataset Challenge2提供的数据集

（https://www.yelp.com/dataset/challenge）
Yelp数据集是一个著名的数据集，用于评论生成任务。该数据集包含yelp.com上的企业、评论、用户、图像等信息。数据集中包括18.8万家企业和600万条评论。

        2.评估指标（Evaluation）

        3.实验结果（Result）

总结（Conclusion）：在虚假评论检测中，除了检查评论文本外，任何异常的账户行为都不能遗漏