4. ConclusionDue to the increasing

4. Conclusion
Due to the increasing popularity and heavy use of social networks like Twitter, the number of spammers is rapidly growing. This has resulted in the development of several spam detection techniques. This study has made three new contributions to the field of spam detection on Twitter. First we view spam identification as an anomaly detection problem. Secondly, we introduce 95 one-gram features from tweet text to the task of spam detection on Twitter. Finally, we use the stream of real-time tweets as well as user profile information with two stream-based clustering algorithms, DenStream and StreamKM++.When tested, these two approaches achieved 97.1% accuracy and 84.2% F-Measure and 94.0% accuracy and 74.8% F-Measure respectively. Our findings suggest the addition of one-gram features enhances spam detection. Although these algorithms independently demonstrated good detection, the combination of the two further improved all our metrics particularly recall and false positive rate to 100% and 2.2%, showing the value of the multi-layer approach to spam detection.

ผลลัพธ์ (ไทย) 1:

4. บทสรุปความนิยมเพิ่มขึ้นและใช้งานหนักของเครือข่ายทางสังคมเช่น Twitter อย่างรวดเร็วมีการปลูกจำนวนยิ่ง นี้มีผลในการพัฒนาเทคนิคการตรวจจับสแปมหลาย การศึกษานี้ได้ทำสามใหม่จัดสรรไปยังเขตข้อมูลของการตรวจจับสแปมบน Twitter ครั้งแรก เราดูสแปมรหัสเป็นการช่วยตรวจสอบปัญหา ประการที่สอง เราแนะนำ 95 กรัมหนึ่งคุณลักษณะจาก tweet ข้อความงานในการตรวจจับสแปมบน Twitter สุดท้าย เราใช้กระแสเข้ามาแบบเรียลไทม์รวมทั้งข้อมูลเกี่ยวกับโพรไฟล์ผู้ใช้กับสองตามกระแสระบบคลัสเตอร์อัลกอริทึม DenStream และ StreamKM ++เมื่อทดสอบ สองวิธีเหล่านี้สำเร็จ 97.1% ความถูกต้อง และความแม่นยำ 84.2% F-วัดและ 94.0% และ 74.8% F-วัดตามลำดับ ผลการวิจัยของเราแนะนำการเพิ่มคุณลักษณะหนึ่งกรัมช่วยตรวจจับสแปม แม้ว่าอัลกอริทึมเหล่านี้อย่างอิสระแสดงตรวจดี ทั้งสองเพิ่มเติมปรับปรุงทั้งหมดที่วัดของเราโดยเฉพาะอย่างยิ่งการเรียกคืนและอัตราบวกเท็จ 100% และ 2.2% แสดงค่าของวิธีหลายชั้นเพื่อตรวจจับสแปม

ผลลัพธ์ (ไทย) 2:

4. สรุป
เนื่องจากความนิยมที่เพิ่มขึ้นและการใช้งานหนักของเครือข่ายสังคมเช่น Twitter, จำนวนของผู้ส่งอีเมลขยะที่มีการเติบโตอย่างรวดเร็ว นี้มีผลในการพัฒนาเทคนิคการตรวจสอบสแปมหลาย การศึกษาครั้งนี้ได้ทำสามใหม่เพื่อการมีส่วนร่วมด้านการตรวจสอบสแปมบนทวิตเตอร์ ครั้งแรกที่เราดูการระบุสแปมเป็นปัญหาการตรวจสอบความผิดปกติ ประการที่สองเราแนะนำ 95 คุณสมบัติหนึ่งกรัมจากข้อความทวีตให้กับงานของการตรวจสอบสแปมบนทวิตเตอร์ สุดท้ายเราใช้กระแสของทวีตเรียลไทม์เช่นเดียวกับข้อมูลของผู้ใช้รายละเอียดที่มีสองขั้นตอนวิธีการจัดกลุ่มกระแสตาม DenStream และ StreamKM ++. เมื่อทดสอบทั้งสองวิธีการประสบความสำเร็จในความถูกต้อง 97.1% และ 84.2% F-วัดและความถูกต้อง% 94.0 และ 74.8% F-วัดตามลำดับ ผลการวิจัยของเราแสดงให้เห็นการเพิ่มขึ้นของคุณลักษณะหนึ่งแกรมช่วยเพิ่มการตรวจสอบสแปม แม้ว่าขั้นตอนวิธีการเหล่านี้แสดงให้เห็นถึงการตรวจสอบอิสระที่ดีรวมกันของสองตัวชี้วัดที่ดีขึ้นต่อไปโดยเฉพาะอย่างยิ่งของเราทุกคนจำได้และอัตราการบวกปลอมถึง 100% และ 2.2% แสดงให้เห็นถึงคุณค่าของวิธีการหลายชั้นเพื่อการตรวจสอบสแปม

ผลลัพธ์ (ไทย) 3:

4 . สรุป
เนื่องจากความนิยมที่เพิ่มขึ้นและการใช้งานหนักของเครือข่ายทางสังคมเช่น Twitter , หมายเลขของผู้ส่งอีเมลขยะมีการเติบโตอย่างรวดเร็ว นี้มีผลในการพัฒนาเทคนิคการตรวจจับสแปมหลาย การศึกษานี้ได้ 3 ผลงานใหม่ในฟิลด์ของการตรวจหาสแปมบน Twitter แรกที่เราดูตัวตรวจจับความผิดปกติสแปมเป็นปัญหา ประการที่สองเราแนะนำหนึ่งกรัม คุณลักษณะ จาก ข้อความ เพื่อให้งานของการตรวจหาสแปมบน Twitter สุดท้าย เราใช้กระแสของทวิตเตอร์ได้แบบเรียลไทม์เช่นเดียวกับโปรไฟล์ผู้ใช้ข้อมูลที่มีสองกระแสตามการจัดกลุ่มขั้นตอนวิธี และ denstream streamkm เมื่อทดสอบ ทั้งสองวิธีบรรลุความถูกต้อง 97.1 % และค่า F 84.2 % และความถูกต้องร้อยละ 74.8 94.5 % ค่า F ตามลำดับการค้นพบของเราแนะนำให้เพิ่มคุณลักษณะหนึ่งกรัมเพิ่มการตรวจจับสแปม แม้ว่าขั้นตอนวิธีเหล่านี้อย่างอิสระ แสดง ดี การตรวจสอบ การรวมกันของทั้งสองดีขึ้นต่อไปวัดของเราโดยเฉพาะอย่างยิ่งการเรียกคืนและอัตราบวกเท็จ 100 เปอร์เซ็นต์ 2.2 เปอร์เซ็นต์ แสดงให้เห็นถึงมูลค่าของวิธีการวิธีการตรวจจับสแปม .