Ein generativer Ansatz zur Verbesserung von Foren durch SVM-basierte Spam-Erkennung

Spam besteht aus unaufgeforderten Nachrichten, und das Posten solcher irrelevanten Nachrichten stellt oft erhebliche Herausforderungen in technischen Foren dar. Zwei besondere Herausforderungen sind die dynamische Natur der Spam-Taktiken und die Unzulänglichkeit anpassbarer Spamdatenbanken für automatisierte Klassifikatoren. Unsere Arbeit befasst sich mit der Notwendigkeit einer robusten Spam-Klassifizierungslösung, die nahtlos in Datenbank-, SQL- und APEX-Anwendungen integriert werden kann. Wir haben eine gekennzeichnete Spamdatenbank entwickelt, indem wir Experten gebeten haben, 1916 Beiträge als Spam oder reguläre Beiträge zu kategorisieren, um eine genaue Klassifizierung zu gewährleisten, und dann ein SVM-basiertes Spam-Klassifizierungsmodell erstellt, das eine durchschnittliche Validierungsgenauigkeit von 90 % erreicht. Unsere Forschung verbessert das aktuelle Verständnis von Spam in technischen Foren und stellt eine Lösung zur Einbettung von Spam-Klassifikatoren in weit verbreitete Plattformen mit einer Genauigkeit von 98,1 % dar. Darüber hinaus untersuchen wir die Integration generativer Themen in unseren Ansatz, indem wir generative Topic-Modellierungstechniken wie die latente Dirichlet-Zuweisung einbeziehen. In unserer Arbeit wird der Spam-Klassifizierer dynamisch aktualisiert, um auf neue Spam-Muster und -Themen basierend auf einem generativen Ansatz zu reagieren, der die Robustheit des Klassifizierers gegen neue Spamming-Taktiken verbessert und eine nuancierte, kontextbewusste Filterung von Nachrichten ermöglicht. Darüber hinaus zeigen unsere Experimente das Potenzial von Text-SVM-Klassifikatoren für Echtzeitanwendungen durch die Feinabstimmung von Textmerkmalen.