Nowadays, online reviews and ratings are the most valuable source of word-of-mouth, voice-of-customer, and feedback, also customers can make purchasing decisions on what to buy, where to buy, and what to select. Genuine online reviews are becoming popular, but unfortunately, we have an issue that might only sometimes be unbiased or accurate. Because most of the reviews are fake reviews and ratings, these could mislead innocent customers and highly influence customers' purchasing decisions in the wrong manner. This paper's primary goal is to accurately detect fake reviews and what is the main difference between them. The secondary goal is to detect fake ratings and actual ratings-based reviews across the online platform, especially Amazon datasets. The Paper proposes two novel deep-learning Hybrid techniques: CNN-LSTM for detecting fake online reviews, and LSTM-RNN for detecting fake ratings in the e-commerce domain. Both Hybrid models can outperform and achieve better performance with the most advanced word embedding techniques, Glove, and One hot encoding techniques. As per the experimental results, the first technique efficiently detects fake online reviews with the highest prediction accuracy. The second hybrid model is better than the existing models that detect fake online ratings with the most excellent precision of 93.8%. The experimental research efficiently revealed that the CNN-LSTM and LSTMRNN methods are more efficient and practicable and might be better suited for optimal results and maximizing the efficiency of fake online review detection.

中文翻译：

---

检测虚假评论和评级的深度学习混合方法

如今，在线评论和评分是最有价值的口碑、客户心声和反馈来源，客户也可以就购买什么、在哪里购买以及选择什么做出购买决定。真实的在线评论越来越受欢迎，但不幸的是，我们有一个问题可能只是有时是公正或准确的。由于大多数评论都是虚假的评论和评分，这些可能会误导无辜的顾客，并以错误的方式极大地影响顾客的购买决定。本文的主要目标是准确检测虚假评论以及它们之间的主要区别是什么。次要目标是检测在线平台上的虚假评级和基于实际评级的评论，尤其是亚马逊数据集。论文提出了两种新颖的深度学习混合技术：CNN-LSTM 用于检测虚假在线评论，LSTM-RNN 用于检测电子商务领域的虚假评级。两种混合模型都可以通过最先进的词嵌入技术、Glove 和 One 热编码技术超越并获得更好的性能。根据实验结果，第一种技术可以有效地检测出具有最高预测准确度的虚假在线评论。第二种混合模型优于现有的检测虚假在线评级的模型，精度最高，达到 93.8%。实验研究有效地揭示了 CNN-LSTM 和 LSTMRNN 方法更有效和实用，可能更适合最佳结果和最大化虚假在线评论检测的效率。两种混合模型都可以通过最先进的词嵌入技术、Glove 和 One 热编码技术超越并获得更好的性能。根据实验结果，第一种技术可以有效地检测出具有最高预测准确度的虚假在线评论。第二种混合模型优于现有的检测虚假在线评级的模型，精度最高，达到 93.8%。实验研究有效地揭示了 CNN-LSTM 和 LSTMRNN 方法更有效和实用，可能更适合最佳结果和最大化虚假在线评论检测的效率。两种混合模型都可以通过最先进的词嵌入技术、Glove 和 One 热编码技术超越并获得更好的性能。根据实验结果，第一种技术可以有效地检测出具有最高预测准确度的虚假在线评论。第二种混合模型优于现有的检测虚假在线评级的模型，精度最高，达到 93.8%。实验研究有效地揭示了 CNN-LSTM 和 LSTMRNN 方法更有效和实用，可能更适合最佳结果和最大化虚假在线评论检测的效率。第一种技术以最高的预测准确率有效地检测虚假在线评论。第二种混合模型优于现有的检测虚假在线评级的模型，精度最高，达到 93.8%。实验研究有效地揭示了 CNN-LSTM 和 LSTMRNN 方法更有效和实用，可能更适合最佳结果和最大化虚假在线评论检测的效率。第一种技术以最高的预测准确率有效地检测虚假在线评论。第二种混合模型优于现有的检测虚假在线评级的模型，精度最高，达到 93.8%。实验研究有效地揭示了 CNN-LSTM 和 LSTMRNN 方法更有效和实用，可能更适合最佳结果和最大化虚假在线评论检测的效率。