Brug af maskinlæring til at opdage upålidelige Facebook -sider

Et stigende antal virksomheder og enkeltpersoner på verdensplan opretter Facebook -sider til marketing- og reklameformål. Dette skyldes, at Facebook giver mulighed for gratis at kommunikere til potentielle eller eksisterende kunder, reklame for nye produkter, tilbud eller tjenester.

Endnu, netop fordi denne service er gratis og let tilgængelig, ondsindede brugere bruger det til at oprette vildledende sider. Det er af afgørende betydning at opdage og identificere upålidelige sider, da det kan hjælpe med at advare brugere og reducere ondsindet aktivitet på platformen.

Forskere over hele verden har derfor forsøgt at udvikle metoder til at opdage og forhindre bedrag på Facebook og andre sociale medieplatforme. Panida Songram, en forsker ved Mahasarakham University, i Thailand, har for nylig gennemført en undersøgelse, der undersøgte brugen af ​​overvåget maskinlæring til at opdage pålideligheden eller upålideligheden af ​​Facebook -sider.

"Dette papir har til formål at opdage og undersøge egenskaberne ved upålidelige og pålidelige Facebook -sider, "Songram skrev i sit papir, som blev offentliggjort i Springer's Artificial Life and Robotics journal. "Effektive maskinlæringsmodeller og funktionsudvælgelsesmetoder undersøges også for at opdage upålidelige og pålidelige sider."

Songram udtrak et stort antal funktioner, der kunne hjælpe med at afgøre, om en side er pålidelig eller ej, inklusive sidedetaljer, oplysninger om et produkt eller en service, brugerrespons og sideadministratorens opførsel. Derefter uddannede hun et værktøj til maskinlæring under opsyn til at analysere disse funktioner og klassificere sider som pålidelige eller upålidelige.

"Først, Facebook -sider indsamles tilfældigt, og derefter mærkes de af fem brugere, "Songram forklaret i sit papir." Facebook -sider med accept af fem brugere vælges, og deres oplysninger hentes ved hjælp af Facebook Graph API. Næste, funktioner udtrækkes fra oplysningerne og undersøges i eksperimenterne. "

Songram vurderede effektiviteten af ​​forskellige klassifikatorer til at opdage upålidelige og pålidelige sider. Hun fandt ud af, at KNN var den bedste klassifikator, opnå en nøjagtighed på 88,67 procent. Hun foretog også en analyse af Facebook -sidefunktioner, for bedre at forstå, hvad der typisk kendetegner pålidelige eller upålidelige sider.

"For upålidelige sider, antallet af dage mellem datoen for sidste indlæg og hentet dato er højt, og antallet af indlæg om ugen (indlægsfrekvens) er meget lille, "Songram skrev i sit papir." Det angiver, at upålidelige sider ikke er aktive, mens pålidelige sider er aktive. "

Songram bemærkede, at mængden af ​​mennesker, der diskuterer upålidelige sider online, er betydeligt mindre end dem, der taler om pålidelige sider. En mulig forklaring på dette er, at brugerne ofte indser, at siderne er upålidelige, og de taler derfor ikke om dem online. Opslag på pålidelige sider indeholdt også langt flere webadresser end dem på upålidelige sider, samt mere information om virksomheden og dens produkter/tjenester.

Ved at bruge det, hun fandt ud af at være de 10 bedste funktioner til at bestemme en Facebook -sides pålidelighed, Songram opnåede en klassificeringsnøjagtighed på 91,37 procent. I fremtiden, hendes fund kunne hjælpe udviklingen af ​​mere effektive værktøjer til hurtigt at opdage upålidelige Facebook -sider.

© 2018 Science X Network