Key points are not available for this paper at this time.
Der digitale Sektor ist mit zahlreichen Plattformen gefüllt, die Online-Kommunikation ermöglichen. Abgesehen von Unterbrechungen durch Spam-Nachrichten und Sicherheitsverletzungen stellen diese eine erhebliche Herausforderung dar. Ziel dieses Papiers ist es, einen umfassenden Ansatz zur Bewältigung des Spam-Problems auf Chat-Plattformen zu bieten. Wir haben dies durch den Einsatz von Machine-Learning-Algorithmen wie Naive Bayes, Support Vector Machine (SVM), logistischer Regression usw. getan, um zu prüfen, wie effektiv sie bei der Identifizierung und Filterung von Spam-Nachrichten eingesetzt werden können. Die Studie beinhaltete einen umfangreichen Vergleich zwischen Genauigkeits- und Präzisionsmetriken zur Bewertung der Leistung dieser Algorithmen. Die Stärken und Einschränkungen dieser Algorithmen zeigen sich durch Experimente und Analysen, die Hinweise darauf geben, was bei der Entwicklung von Algorithmen zur Erkennung von Spam-Nachrichten auf verschiedenen Online-Chat-Plattformen zu berücksichtigen ist. In diesem Licht haben wir erfolgreich Naïve Bayes und logistische Regression für die textbasierte Spam-Klassifizierung angewendet. Nach gründlichen Tests konnte das System 97 % aller Spams genau identifizieren, was zu einem Präzisionswert von 1 führte und somit das Vertrauen und die Sicherheitsmaßnahmen der Online-Kommunikationsportale verbessert hat. Präzision wird aufgrund des Ungleichgewichts in den Daten der Genauigkeit vorgezogen.
Singh et al. (Sat,) haben diese Frage untersucht.