ml spam

spam

• S. O. Olatunji, Improved email spam detection model based on support vector machines. Neural Computing and Applications. 31, 691-699 (2019)
• Ghadah Alkhodhairya, Kashif Saleemb Machine learning algorithm for detecting suspicious email messages using Natural Language Processing 𝑁𝐿P Alexandria Engineering Journal 128 (2025) 153–165

SPAM definiuje się jako niezamówioną komercyjną pocztę elektroniczną (UCE, Unsolicited Commercial Email) kierowaną do odbiorców, z którymi nadawca nie pozostaje w istniejącej wcześniej relacji biznesowej ani osobistej i która nie została wysłana za ich wyraźną zgodą. Komercyjna poczta elektroniczna (CEM, Commercial Electronic Mail) obejmuje wiadomości, których głównym celem jest reklama lub promocja produktów bądź usług.

SPAM obejmuje zazwyczaj niezamówione reklamy, propozycje biznesowe, prośby o przysługi, zaproszenia do udziału w działaniach charytatywnych lub oferty finansowe. Ponadto wiadomości SPAM mogą być wykorzystywane do bardziej szkodliwych celów, takich jak phishing, czyli praktyka polegająca na podszywaniu się przez atakujących pod wiarygodne podmioty w celu nakłonienia użytkowników do ujawnienia poufnych informacji, takich jak dane logowania do bankowości elektronicznej lub dane kont użytkowników [140, 141].

SPAM → niezamówione wiadomości ↳ reklamy i oferty handlowe ↳ propozycje biznesowe ↳ oferty finansowe ↳ wiadomości o charakterze oszukańczym ↳ phishing jako szczególny, złośliwy przypadek

W swoich badaniach autorzy [130] rozszerzają zakres pojęcia SPAM-u, uwzględniając treści publikowane i rozpowszechniane za pośrednictwem platform takich jak portale społecznościowe, serwisy z recenzjami produktów czy komentarze na blogach i mikroblogach, a także platformy umożliwiające publikowanie filmów lub aktualizacji statusów. Te formy komunikacji, określane powszechnie jako SPAM w mediach społecznościowych (social media spam), są często rozpowszechniane przez automatyczne boty, które tworzą konta w celu dystrybucji fałszywych treści.

Według Thomasa i współautorów spamerzy nie ograniczają swojej działalności wyłącznie do oszukańczych działań nastawionych na osiągnięcie zysku. Mogą również zajmować się rozpowszechnianiem dezinformacji lub prowadzeniem działań mających na celu cenzurowanie określonych treści, w szczególności w obszarze dyskursu politycznego.

Lau i współautorzy [132] koncentrują się na problemie SPAM-u w kontekście fałszywych recenzji internetowych. W swoich badaniach analizują zbiory danych pochodzące z popularnej platformy handlu elektronicznego, badając możliwość wykorzystania technik eksploracji tekstu (text mining) do wykrywania fałszywych opinii.

Rozróżnienie pomiędzy SPAM-em, rozumianym w tym przypadku jako fałszywe recenzje, a HAM-em, czyli autentycznymi opiniami, stanowi istotne wyzwanie. Fałszywe recenzje są bowiem celowo tworzone w taki sposób, aby sprawiały wrażenie autentycznych, a ponadto często są pisane przez ludzi, a nie generowane automatycznie.

Hayati i współautorzy [133] wprowadzają pojęcie „SPAM 2.0”, odnoszące się do botów spamowych, które aktywnie wyszukują podatności w platformach internetowych, a następnie wykorzystują je do rozpowszechniania treści SPAM w kolejnych etapach. Zaawansowane techniki tego rodzaju są wymierzone w strony internetowe, fora oraz inne usługi internetowe, wykorzystując luki w zabezpieczeniach do celów złośliwych.

Dada i współautorzy [135] przeprowadzili obszerny przegląd systematyczny technik filtrowania SPAM-u, obejmujący analizę licznych prac badawczych dotyczących zastosowania metod uczenia maszynowego (ML) do filtrowania wiadomości SPAM. W ramach badań przeanalizowano również sposób, w jaki wiodący dostawcy usług, tacy jak Google, Yahoo i Microsoft, wykorzystują techniki uczenia maszynowego do filtrowania wiadomości elektronicznych zawierających SPAM.