WebSpam

Washington Bastidas Santos Jesús González Vera http://www.espol.edu.ec/

INTRODUCCIÓN PROBLEMA METODOLOGÍA IMPLEMENTACIÓN EVALUACIÓN Y RESULTADOS CONCLUSIÓN TRABAJO FUTURO BIBLIOGRAFÍA Agenda

Acceso, recuperación y reutilización de la información. Máquinas de búsqueda. Falencias (PageRank) y servicios gratuitos (Blogspot). Incentivo Económico (Google $16,000M en el 2007).  Introducción Problema Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía INTRODUCCIÓN

“ Es simplemente la asignación injustificable de relevancia a una o varias páginas produciendo resultados inesperados en las máquinas de búsqueda " ” [ 1]  Introducción Problema Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía WEBSPAM [1]: Z. Gyongyiand H. Garcia-Molina. Web spam taxonomy. In First International Workshop on Adversarial Information Retrieval on the Web, 2005

 Introducción Problema Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MOTIVACIÓN Suplir a las personas a través de una solución automatizada y que aprenda con el tiempo .

Introducción -> Problema Metodología Implementación Conclusión Trabajo Futuro Bibliografía Para el usuario Difícil satisfacer la información. Experiencia de búsqueda frustrante. Para la máquina de búsqueda Gasto de ancho de banda, procesamiento CPU, espacio de almacenamiento. Distorsiona el ranking del resultado. ¿POR QUÉ EL WEBSPAM ES MALO?

Introducción  Problema Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía PROBLEMA PALABRAS CLAVES + LINKS MÁQUINAS DE BÚSQUEDA PUBLICIDAD

Creación de páginas para que otras tenga un mejor ranking. Produce “optimización de buscadores”: Gran mayoría de tráfico generado por buscadores. Usuarios solo observan las 3 primeras paginas de búsqueda. Dos tipos de Web spam: Spam basado en contenido. Spam basado en links. Introducción  Problema Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía PROBLEMA

Keywords Repetidos. Palabras como: “googel”, “accomodation” , “trabel”. Análisis estadístico. Éxito por no filtros de spam en las consultas más populares y mejor pagadas. Introducción  Problema Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía SPAM BASADO EN CONTENIDO Keyword Stuffing

Google y su algoritmo PageRank basado en links. Otros buscadores siguieron el modelo. El modelo de cómo trabaja es conocido por los spammers. Ejemplo granja de enlaces. Introducción  Problema Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía SPAM BASADO EN LINK Granja de Enlaces

El aprendizaje o entrenamiento es el mejoramiento en base a la experiencia de alguna tarea . Algoritmos Supervisado: Función correspondencia Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía APRENDIZAJE AUTOMÁTICO

Algoritmos que razonan a partir de ejemplos y producen hipótesis. Un tipo de aprendizaje supervisado es Clasificación: Construir modelo para predecir la clase de un nuevo dato Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía SUPERVISADO Y CLASIFICACIÓN Nuevo dato

Máquinas de vectores de apoyo (SVM, siglas inglés) Desarrolladas por Vapnik están basadas en la teoría de aprendizaje estadístico . Utilizan funciones Kernel para datos dispersos: Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO ¿cómo clasificar estos datos? +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO Definimos el hiperplano w · x +b=0 +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO Definimos el margen +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO La idea es maximizar el margen. +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO El hiperplano que tenga el mayor margen es el mejor clasificador de los datos. +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO Los vectores de apoyo son los puntos que tocan el límite del margen. +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO Veamos los hiperplanos “positivo” y “negativo” +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO w · x +b = -1 w · x +b = +1 margen d - d + hiperplano “positivo”: w · x +b = +1 hiperplano “negativo”: w · x +b = -1 +1 -1

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MÁQUINA DE VECTORES DE APOYO Al final lo que resulta es una función de correspondencia para la clasificación Son los valores de son los multiplicadores de LaGrange de la ecuación Es la función Kernel utilizada y b la variable independiente. Los vectores de apoyo están implícitos en la función Kernel

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía SVM EN CASCADA Consumo recursos demasiado elevado de SVM Alternativa de paralelización: SVM en cascada

Vectores constituidos por datos numéricos. Expresiones regulares. Regex _TagParser = new Regex("<([a-zA-Z]\w*?)>") Datos características + etiqueta (Spam o No Spam). Características Seleccionadas: Número de palabras en la página. Número de palabras en el título. Promedio de palabras Fracción del texto anclado. Porcentaje de texto oculto. Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía VECTORES DE CARACTERÍSTICAS <input type="hidden“ value=“Internet"> <a href="/deportes/" title="Deportes"> Deportes </a> Texto ancla

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MAPREDUCE

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía AMAZON WEB SERVICE

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MODELO GENERAL Kernel RBF

Introducción Problema Metodología  Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía DATASET WEBSPAM-UK2006 llenado con páginas de dominio “.UK” en el 2006. software UbiCrowler. Para el presente trabajo se utilizó un total de aproximadamente 120,000 páginas. Tiene un tamaño aproximado de 1.7 GB. Sirve al subprocesos de extracción :

Introducción Problema Metodología  Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía DATASET Los vectores de característica resultantes del subproceso de extracción, representados como un archivo de texto: Dirección_página_web1 \t f11 ; f12 ; f13 ; f14 ; f15 ; etiqueta1 Dirección_página_web2 \t f21 ; f22 ; f23 ; f24 ; f25 ; etiqueta2 Dirección_página_web : P ágina Web \t : C arácter de tabulación fn1 ; fn2 ; fn3 ; fn4 ; fn5 : Características de una página n cualquiera. Etiqueta : -1 spam y 1 no spam

Introducción Problema Metodología  Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía LIBRERÍAS Paradigma MapReduce Hadoop 1.8 Distribución Linux Cloudera Software de virtualización VMware Player Gestión instancias de Amazon EC2 Ec2 Api tools SVM LibSVM Gestionar Amazon S3 Plugin S3 Organizer Gestionar EC2 Plugin ElasticFox

Introducción Problema Metodología Implementación  Evaluación y resultados Conclusión Trabajo Futuro Bibliografía ANÁLISIS DEL KERNEL Vectores Iniciales Vectores de Soporte Kernel Gaussiano Kernel Lineal Kernel Polinomial 500 156 500 156 7600 3300 7600 3300 55000 20370 55000 20370 100000 37037 100000 37037

Introducción Problema Metodología Implementación  Evaluación y resultados Conclusión Trabajo Futuro Bibliografía ANÁLISIS DE LAS CARACTERÍSTICAS Tabla 4.3. Número de Palabras Título y Prom. de Tamaño de Palabra Spam y No Spam Tipo Numero De Palabras No Spam 444,79 Spam 583,3 Características Tipo Numero Palabras Título Promedio Tamaño Palabra No Spam 6,39 7,69 Spam 6,27 7,67

Introducción Problema Metodología Implementación  Evaluación y resultados Conclusión Trabajo Futuro Bibliografía ANÁLISIS DE LAS CARACTERÍSTICAS Características Tipo Porcentaje Texto Ancla Porcentaje Texto Visible No Spam 34% 76% Spam 37% 87%

Introducción Problema Metodología Implementación  Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MATRIZ DE CONFUSIÓN Dataset compuesto mayormente por páginas no spam. Se predice con certeza cuando una página no es Web spam. Clases Predichas 1 -1 Clases Conocidas 1 89,00% 0 -1 10,30% 0

Introducción Problema Metodología Implementación  Evaluación y resultados Conclusión Trabajo Futuro Bibliografía MEDICIONES EC2 Mediciones realizadas en los clusters de Amazon Kernel: RBF (Radial Basis Function) Número de vectores: 67,577 Número de vectores de apoyo: 20,338 Nodos EC2 Extracción Tiempo (seg.) Entrenamiento Tiempo (seg.) 3 83.127 302 8 50.54 250

CONCLUSIONES Y TRABAJOS FUTUROS 5

Introducción Problema Metodología Implementación Evaluación y resultados  Conclusión Trabajo Futuro Bibliografía CONCLUSIONES Hadoop es una herramienta poderosa Servicios Web de Amazon ahorran costos SVM herramienta muy capaz de clasificación Solución Rendimiento SVM

Introducción Problema Metodología Implementación Evaluación y resultados Conclusión  Trabajo Futuro Bibliografía TRABAJO FUTURO Otra solución en "Sub-problemas cuadráticos" Extender la cantidad de características. Mecanismos de validación cruzada para el ajuste de parámetros.

Introducción Problema  Metodología Implementación Evaluación y resultados Conclusión Trabajo Futuro Bibliografía EXTRAER Y CUANTIFICAR

WebSpam

Más contenido relacionado

Similar a WebSpam (20)

Último (20)

WebSpam