Een groeiend aantal bedrijven en individuen wereldwijd maakt Facebook-pagina's voor marketing- en reclamedoeleinden. Facebook biedt namelijk de mogelijkheid om gratis te communiceren met potentiële of bestaande klanten, reclame voor nieuwe producten, aanbiedingen of diensten.

Nog, juist omdat deze dienst gratis en gemakkelijk toegankelijk is, kwaadwillende gebruikers gebruiken het om misleidende pagina's te maken. Het detecteren en identificeren van onbetrouwbare pagina's is van cruciaal belang, omdat het kan helpen om gebruikers te waarschuwen en kwaadaardige activiteiten op het platform te verminderen.

Wereldwijd hebben onderzoekers daarom geprobeerd methoden te ontwikkelen om misleiding op Facebook en andere sociale-mediaplatforms te detecteren en te voorkomen. Panida Songram, een onderzoeker aan de Mahasarakham University, in Thailand, heeft onlangs een onderzoek uitgevoerd naar het gebruik van gesuperviseerde machine learning om de betrouwbaarheid of onbetrouwbaarheid van Facebook-pagina's te detecteren.

"Dit artikel is bedoeld om de kenmerken van onbetrouwbare en betrouwbare Facebook-pagina's op te sporen en te onderzoeken, " Songram schreef in haar krant, die werd gepubliceerd in Springer's Artificial Life and Robotics tijdschrift. "Effectieve machine learning-modellen en functieselectiemethoden worden ook onderzocht voor het detecteren van onbetrouwbare en betrouwbare pagina's."

Songram heeft een groot aantal functies geëxtraheerd die kunnen helpen bepalen of een pagina betrouwbaar is of niet, inclusief paginadetails, informatie over een product of dienst, gebruikersreacties en postgedrag van de paginabeheerder. Vervolgens trainde ze een machine learning-tool onder toezicht om deze functies te analyseren en pagina's als betrouwbaar of onbetrouwbaar te classificeren.

"Eerst, Facebook-pagina's worden willekeurig verzameld en vervolgens gelabeld door vijf gebruikers, Songram legt uit in haar paper. "Facebook-pagina's met instemming van vijf gebruikers worden geselecteerd en hun informatie wordt opgehaald met behulp van de Facebook Graph API. Volgende, kenmerken worden uit de informatie gehaald en in de experimenten onderzocht."

Songram evalueerde de effectiviteit van verschillende classificaties bij het detecteren van onbetrouwbare en betrouwbare pagina's. Ze ontdekte dat KNN de beste classificeerder was, met een nauwkeurigheid van 88,67 procent. Ze voerde ook een analyse uit van de functies van de Facebook-pagina, om beter te begrijpen wat kenmerkend is voor betrouwbare of onbetrouwbare pagina's.

"Voor onbetrouwbare pagina's, het aantal dagen tussen de datum van de laatste post en de ophaaldatum is hoog en het aantal berichten per week (postfrequentie) is erg klein, Songram schreef in haar paper. "Het geeft aan dat onbetrouwbare pagina's niet actief zijn, terwijl betrouwbare pagina's actief zijn."

Songram merkte op dat het aantal mensen dat online onbetrouwbare pagina's bespreekt aanzienlijk kleiner is dan degenen die het hebben over betrouwbare pagina's. Een mogelijke verklaring hiervoor is dat gebruikers zich vaak realiseren dat de pagina's onbetrouwbaar zijn en er daarom online niet over praten. Berichten op betrouwbare pagina's bevatten ook veel meer URL's dan die op onbetrouwbare pagina's, evenals meer informatie over het bedrijf en zijn producten/diensten.

Met behulp van wat zij vond dat de top 10 functies waren om de betrouwbaarheid van een Facebook-pagina te bepalen, Songram behaalde een classificatienauwkeurigheid van 91,37 procent. In de toekomst, haar bevindingen zouden kunnen helpen bij de ontwikkeling van effectievere tools om snel onbetrouwbare Facebook-pagina's te detecteren.

© 2018 Wetenschap X Netwerk