Acompanhe uma campanha de avaliações: dos sinais às evidências
Todas as avaliações, históricos de contas, dispositivos e feeds de plataformas nestas capturas reais do aplicativo são sintéticos. O exemplo principal acompanha 15 avaliações modeladas de concorrentes, desde a identificação da campanha, passando pela rota de revisão humana, até o registro exportado.
Exemplo prático: 15 avaliações plausíveis, um padrão de relacionamento
O conjunto de dados de teste rotula este caso como uma campanha paga totalmente humana, mas nem a autoria nem o pagamento são determinados pelo detector. Onze de suas 15 avaliações têm componente estilométrico no máximo 4: pouca anomalia de padrão de escrita nesta implementação. Seus históricos de contas fornecem a razão para examiná-las em conjunto.
1. Inspecione o que vincula as contas
As 15 avaliações compartilham históricos de produtos com sobreposição suficiente no mesmo anúncio dentro do limite configurado de 72 horas. Isso cria 105 arestas de pares com sobreposição de produtos, vinculando cada par no cluster, com coesão 1,0. Não há arestas de dispositivos compartilhados neste caso; a constatação não depende de reutilização de dispositivos. O fator temporal isolado não criaria uma aresta.
2. Compare o sinal de texto com a rota resultante
A linha de base local baseada apenas em texto sinaliza quatro dos 15 registros. Ela, portanto, não atinge a detecção em nível de campanha sob a regra deste arcabouço de teste, que exige que pelo menos 60% de um rótulo implantado seja sinalizado. O ensemble combina componentes de escrita, comportamento, temporais e de rede, encaminhando todas as 15 para REVIEW, em vez de AUTO.
| Evidência ou decisão | Resultado observado | Interpretação |
|---|---|---|
| Sinal de padrão de escrita | 11 de 15 têm componente estilométrico no máximo 4 | Baixa anomalia não é um certificado de autoria humana. |
| Relacionamento entre contas | 105 arestas de pares com sobreposição de produtos; nenhuma aresta de dispositivo compartilhado | Um padrão de histórico compartilhado justifica examinar as contas em conjunto. |
| Linha de base local baseada apenas em texto | 4 de 15 sinalizadas | Este comparador implementado não detecta a campanha sob a regra de 60%. |
| Rota do ensemble | 15 REVIEW; 0 AUTO | Todas as 15 são encaminhadas para julgamento humano. Nenhuma avaliação é removida. |
3. Mantenha a narrativa separada da decisão
A pontuação determinística define os níveis antes que o modelo opcional descreva a constatação. A investigação registrada reproduz uma resposta em cache da ponte real do Codex. Seu filtro de fundamentação verifica números, sobreposição de tokens e reversões de veredito; o texto retido ainda necessita de revisão do analista e não pode alterar a pontuação ou o nível.
4. Preserve a constatação em uma exportação inspecionável
A exportação real em JSON retém a associação à campanha, detalhamento de níveis, sinais contribuintes e as pontuações dos componentes de cada registro. O HTML imprimível renderiza um perfil da campanha, a narrativa em cache, mapeamento indicativo de regras, um rascunho de contestação não protocolado e todas as 15 linhas sinalizadas. Um analista pode verificar por que um registro foi encaminhado em vez de confiar apenas na narrativa. O rascunho de contestação nativo superestima a cobertura de data e hora: o JSON e o relatório imprimível incluem o registro de data e hora de geração do registro, mas nenhum registro de data e hora por avaliação. Esses precisariam ser adicionados e verificados antes do uso externo.
Um contraste multiplataforma: avaliações positivas e negativas em um mesmo cluster
Um cluster sintético separado vincula 67 registros: 47 avaliações de cinco estrelas no anúncio modelado do concorrente na Amazon, além de 12 avaliações no Google e oito no Yelp direcionadas à marca modelada. Ao longo de 71,8 horas, o cluster apresenta 90 arestas de pares com dispositivos compartilhados e 1.175 arestas de pares com sobreposição de produtos. Ele contém 24 registros AUTO e 43 registros REVIEW; AUTO é elegibilidade sob uma política modelada, não remoção automática.
Este caso demonstra por que um revisor pode precisar de relacionamentos entre feeds modelados em vez de apenas uma contagem de mensagens negativas isoladas. Trinta e um dos 67 registros apresentam pouca anomalia estilométrica. Mesmo com um padrão conectado, o detector não comprova pagamento real, condição de cliente ou culpabilidade.
Um pico temporal é contexto, não a contagem de membros da campanha
O anúncio modelado do concorrente na Amazon atinge o pico de 69 avaliações em uma janela de 72 horas contra uma expectativa de 7,8, cerca de 8,85 vezes a linha de base configurada. Essa contagem na janela do anúncio não é o tamanho do cluster multiplataforma de 67 registros. Um pico repentino contribui com um sinal temporal; os relacionamentos entre contas fornecem as conexões do grafo.
Leia a comparação no mesmo conjunto de dados de teste com seus limites vinculados
O conjunto de dados de teste mais amplo contém 1.530 registros sintéticos ao longo de um histórico modelado de 90 dias. Os resultados a seguir reproduzem os limiares atualmente carregados no mesmo corpus rotulado. Ambos os métodos derivam percentis de texto dele, e o limiar de REVIEW do ensemble foi ajustado com base em seus rótulos. Estes não são resultados de acurácia em dados separados ou de produção.
| Métrica | Ensemble do Campaign Firewall | Linha de base local baseada apenas em texto |
|---|---|---|
| Registros de avaliações implantadas sinalizados | 82 de 82 | 40 de 82 |
| Registros rotulados como genuínos sinalizados erroneamente | 0 de 1.448 | 306 de 1.448 |
| Rótulos de campanhas implantadas detectados | 3 de 3 | 0 de 3 |
A sinalização inclui REVIEW e AUTO, não remoções. Os três rótulos implantados formam dois clusters no grafo porque os rótulos de impulsionamento e espelhamento se conectam no mesmo cluster multiplataforma. O contraste de falsos positivos aplica-se apenas a esta linha de base implementada e conjunto de dados ajustado, não a detectores comerciais ou novas avaliações.
