使用机器学习来检测不可靠的Facebook页面

全球越来越多的公司和个人正在创建用于营销和广告目的的Facebook页面。这是因为Facebook提供了与潜在或现有客户免费沟通，宣传新产品，优惠或服务的可能性。

然而，正是因为这项服务是免费且易于访问的，恶意用户正在使用它来创建欺骗性页面。检测和识别不可靠页面至关重要，因为它可能有助于警告用户并减少平台上的恶意活动。

因此，全世界的研究人员一直在努力开发在Facebook和其他社交媒体平台上检测和预防欺骗的方法。泰国Mahasarakham大学的研究员Panida Songram最近进行了一项研究，调查使用监督机器学习来检测Facebook页面的可靠性或不可靠性。

“本文旨在探测和研究不可靠和可靠的Facebook页面的特征，”Songram在她的论文中写道，该论文发表在Springer的人工生命和机器人杂志上。“还研究了有效的机器学习模型和特征选择方法，以检测不可靠和可靠的页面。”

Songram提取了大量有助于确定页面是否可靠的功能，包括页面详细信息，有关产品或服务的信息，用户响应以及页面管理员的发布行为。然后，她培训了一个受监督的机器学习工具来分析这些功能，并将页面分类为可靠或不可靠。

“首先，Facebook页面被随机收集，然后被五个用户标记，”Songram在她的论文中解释道。“选择了五个用户同意的Facebook页面，并使用Facebook Graph API检索他们的信息。接下来，从信息中提取特征并在实验中进行调查。”

Songram评估了不同分类器在检测不可靠和可靠页面方面的有效性。她发现KNN是最好的分类器，准确率达到88.67%。她还对Facebook页面功能进行了分析，以便更好地了解可靠或不可靠页面的特征。

“对于不可靠的页面，最后一个帖子和检索日期之间的天数很高，每周的帖子数量(发布频率)非常小，”Songram在她的论文中写道。“这表明不可靠的页面不活跃，而可靠的页面处于活动状态。”

Songram观察到，在线讨论不可靠页面的人数远远少于讨论可靠页面的人数。对此的可能解释是，用户经常意识到页面不可靠，因此他们不会在线讨论它们。可靠页面上的帖子还包含比不可靠页面上的URL更多的URL，以及有关公司及其产品/服务的更多信息。

使用她发现的十大功能来确定Facebook页面的可靠性，Songram实现了91.37%的分类准确率。将来，她的研究结果可以帮助开发更有效的工具来快速检测不可靠的Facebook页面。