使用機器學習來檢測不可靠的Facebook頁面

全球越來越多的公司和個人正在創(chuàng)建用于營銷和廣告目的的Facebook頁面。這是因為Facebook提供了與潛在或現(xiàn)有客戶免費溝通，宣傳新產(chǎn)品，優(yōu)惠或服務的可能性。

然而，正是因為這項服務是免費且易于訪問的，惡意用戶正在使用它來創(chuàng)建欺騙性頁面。檢測和識別不可靠頁面至關重要，因為它可能有助于警告用戶并減少平臺上的惡意活動。

因此，全世界的研究人員一直在努力開發(fā)在Facebook和其他社交媒體平臺上檢測和預防欺騙的方法。泰國Mahasarakham大學的研究員Panida Songram最近進行了一項研究，調(diào)查使用監(jiān)督機器學習來檢測Facebook頁面的可靠性或不可靠性。

“本文旨在探測和研究不可靠和可靠的Facebook頁面的特征，”Songram在她的論文中寫道，該論文發(fā)表在Springer的人工生命和機器人雜志上。“還研究了有效的機器學習模型和特征選擇方法，以檢測不可靠和可靠的頁面。”

Songram提取了大量有助于確定頁面是否可靠的功能，包括頁面詳細信息，有關產(chǎn)品或服務的信息，用戶響應以及頁面管理員的發(fā)布行為。然后，她培訓了一個受監(jiān)督的機器學習工具來分析這些功能，并將頁面分類為可靠或不可靠。

“首先，F(xiàn)acebook頁面被隨機收集，然后被五個用戶標記，”Songram在她的論文中解釋道。“選擇了五個用戶同意的Facebook頁面，并使用Facebook Graph API檢索他們的信息。接下來，從信息中提取特征并在實驗中進行調(diào)查。”

Songram評估了不同分類器在檢測不可靠和可靠頁面方面的有效性。她發(fā)現(xiàn)KNN是最好的分類器，準確率達到88.67%。她還對Facebook頁面功能進行了分析，以便更好地了解可靠或不可靠頁面的特征。

“對于不可靠的頁面，最后一個帖子和檢索日期之間的天數(shù)很高，每周的帖子數(shù)量(發(fā)布頻率)非常小，”Songram在她的論文中寫道。“這表明不可靠的頁面不活躍，而可靠的頁面處于活動狀態(tài)。”

Songram觀察到，在線討論不可靠頁面的人數(shù)遠遠少于討論可靠頁面的人數(shù)。對此的可能解釋是，用戶經(jīng)常意識到頁面不可靠，因此他們不會在線討論它們?？煽宽撁嫔系奶舆€包含比不可靠頁面上的URL更多的URL，以及有關公司及其產(chǎn)品/服務的更多信息。

使用她發(fā)現(xiàn)的十大功能來確定Facebook頁面的可靠性，Songram實現(xiàn)了91.37%的分類準確率。將來，她的研究結(jié)果可以幫助開發(fā)更有效的工具來快速檢測不可靠的Facebook頁面。