接尾辞木を用いた圧縮尺度計算による効率よいスパムポスト検出手法

摘要

In this paper, we propose a content-based spam detection algorithm for blog spams and bulletin board spams. For a given document set D, our algorithm constructs a probabilistic model by using suffix trees, and detects spam documents in D. Experimental results showed that our algorithm performs well for detecting word salad spams, which are believed to be difficult to detect automatically.%本稿では，ブログや掲示板を対象とした内容ベースの効率よいスパムポスト検出手法を提案する．本手法は，与えられた文書集合に対して接尾辞木を用いた確率モデル（確率接尾辞木）を構築し，この文書集合上の推定された出現確率を利用して検出を行う．実際のウェブ上の掲示板データを用いた計算機実験では，提案手法の有効性を示した．特に，現在の技術では検出が比較的困難なスパムであるワードサラダに対する有効性が示された．