全球MGBOX、 Yelp、Google 與 GitHub 等平台是如何透過演算法和風控機制來偵測並打擊買賣帳號與虛假評論的？

各大平台主要結合 機器學習 (ML)、圖論關聯分析 (Graph Mining) 與 裝置防偽技術，從行為模式、帳號歷史及內容特徵三大維度自動打擊虛假帳號與買賣行為。
1. 跨平台的四大核心偵測機制
行為與關聯圖譜分析： 監測短時間內的數據暴漲（如突然湧入大量 5 星好評或 Star）。演算法會分析帳號間的關聯，包含相同 IP 段、設備指紋（Device Fingerprinting）、瀏覽器特徵或集中在同一時間段發動的操作集群。
帳號權重與歷史紀錄： 系統會持續計算「帳號信任度」。剛註冊即評分、缺乏個人資料、歷史行為單一，或缺少社交互動（如 Yelp 朋友數、GitHub Commit/PR 紀錄）的帳號會被直接判定為低權重號。
自然語言處理 (NLP)： 透過 AI 語意分析識別機器生成的文字、範本化內容、高度重複的評論，或情緒極端（全 1 星或全 5 星）但缺乏實質細節的內容。
位置與地理軌跡比對： 針對在地評論（Yelp / Google），比對裝置的 GPS 行程軌跡與評論商家位置。若帳號未曾親自造訪該地點或 IP 位置嚴重不符，評論會立刻被攔截。
2. 各平台的特化風控機制
Yelp (Recommendation Software 推薦系統)
自動隱藏非推薦評論： Yelp 採取極嚴格的預設防禦機制，只要帳號歷史活躍度不足或未透過 App 留下真實足跡，其評論會被系統直接放入「非推薦（Not Recommended）」區，不計入商家總評分。
黃牌警告標籤 (Consumer Alerts)： 當演算法偵測到店家有異常洗榜或購買評論的證據，會在商家頁面懸掛「異常活動警告」或「付費評論警告」紅牌 banner，直接打擊商譽。
Google (Google Play & Maps ML 風控系統)
跨時間長期趨勢監控： 運用大型機器學習模型持續滾動分析，能交叉比對特定帳號是否在不同地區商家留下重複的模板文字，或多個帳號是否以相同頻率運作。
黑產鏈條整批打擊： 結合資安團隊打擊刷單集團，一旦鎖定受控的神經網路或設備池，會一口氣封禁數百萬個關聯帳號，並對被刷評的 App 或店家進行臨時性封鎖或下架。
GitHub (貢獻圖譜與 API 威脅情報)
** Commit 歷史與權重計算：** 系統會檢視帳號的真實開發軌跡（如 Author Commits、PR、Code Review 數量與帳號年限）。完全無程式碼提交紀錄的「幽靈帳號」所點的 Star 或 Fork 權重極低甚至不予採計。

Star 增長曲線與 API 速率限制： 當專案出現非自然的 Star 增長峰值，或帳號展現出定時、定量的 API 請求模式時，系統會自動清空異常 Star，並對相關帳號觸發 CAPTCHA 人機驗證或停權。