شناسایی اسپم در تویت های فارسی: رویکرد مبتنی بر داده کاوی

شبکه اجتماعی تویتر، دارای تعداد زیادی کاربر فعال است که نه تنها به عنوان پلتفرمی به منظور تولید و گسترش فراگیر آخرین اخبار و اطلاعات شناخته می شود. با توجه به دسترسی گسترده به این شبکه اجتماعی آنلاین، در سال های اخیر وجود اخبار و پیام های ناخواسته یا تبلیغات تحت عنوان اسپم یا هرزنامه نیز افزایش یافته است. به منظور مقابله با اسپم در شبکه های اجتماعی و به خصوص توییتر تحقیقات متعددی با تمرکز بر توییت انگلیسی انجام شده است. در این مقاله، با تاکید بر توییت های فارسی، با استفاده از رویکرد داده کاوی بخشی از توییت های به زبان فارسی جمع آوری شده، پس از برچسب گذاری اولیه به صورت دستی توسط کاربر انسانی، استخراج ویژگی، انتخاب ویژگی، تحلیل ویژگی، مدلسازی و ارزیابی توسط چند الگوریتم یادگیری ماشین بر روی این دادگان انجام شده است. از دستاوردهای اصلی این پژوهش می توان به ارائه یک مجموعه داده استاندارد برای شناسایی اسپ در توییت های فارسی و تحلیل ویژگی های اثرگذار نام برد.