[论文解读] Content-Based Spam Filtering on Video Sharing Social Networks

Antonio da Luz, Eduardo Valle+1 more|arXiv (Cornell University)|Apr 28, 2011

Video Analysis and Summarization参考文献 13被引用 4

一句话总结

本文提出了一种基于内容的垃圾信息过滤方法，用于视频分享社交网络，结合视觉特征与潜在语义分析（LSA）。该方法评估了静态与动态（运动感知）特征在有无上下文信息情况下的表现，结果表明上下文感知分析显著提升了垃圾信息检测的准确性，且LSA进一步提高了性能，证明了在真实社交网络中基于视觉内容的垃圾信息过滤具有可行性。

ABSTRACT

In this work we are concerned with the detection of spam in video sharing social networks. Specifically, we investigate how much visual content-based analysis can aid in detecting spam in videos. This is a very challenging task, because of the high-level semantic concepts involved; of the assorted nature of social networks, preventing the use of constrained a priori information; and, what is paramount, of the context dependent nature of spam. Content filtering for social networks is an increasingly demanded task: due to their popularity, the number of abuses also tends to increase, annoying the user base and disrupting their services. We systematically evaluate several approaches for processing the visual information: using static and dynamic (motionaware) features, with and without considering the context, and with or without latent semantic analysis (LSA). Our experiments show that LSA is helpful, but taking the context into consideration is paramount. The whole scheme shows good results, showing the feasibility of the concept.

研究动机与目标

• 为应对流行视频分享社交网络中日益严重的垃圾信息问题，此类问题会破坏用户体验和服务完整性。
• 鉴于缺乏先验知识且垃圾信息具有上下文依赖性，研究基于视觉内容分析在检测垃圾信息方面的有效性。
• 评估上下文感知与潜在语义分析（LSA）对基于视觉特征的垃圾信息检测性能的影响。

提出的方法

• 该方法从视频帧中提取视觉特征，包括静态（空间）特征与动态（运动感知）特征，以捕捉时间上的变化。
• 通过分析视频序列与周边内容（如标题、描述和用户互动）的关系来引入上下文信息，以增强语义理解。
• 应用潜在语义分析（LSA）以降低维度，并揭示视觉特征空间中的隐藏语义关系。
• 系统评估了多种配置：是否使用LSA、是否引入上下文信息，以及使用静态特征与动态特征的对比。
• 采用监督学习框架，基于融合的视觉与上下文特征将视频分类为垃圾信息或合法内容。
• 使用标准指标（如精确率、召回率与F1-score）在真实世界视频数据集上评估性能。

实验结果

研究问题

• RQ1 在不依赖先验知识或元数据的情况下，基于视觉内容的分析在多大程度上能够检测视频分享社交网络中的垃圾信息？
• RQ2 引入上下文信息（如视频标题、描述、用户行为）如何提升垃圾信息检测的准确性？
• RQ3 潜在语义分析（LSA）在增强视觉特征表示以用于垃圾信息检测方面有何贡献？
• RQ4 静态特征与运动感知特征在检测垃圾信息内容方面表现如何比较？
• RQ5 基于内容的过滤系统是否能在真实世界、非受限的社交网络环境中实现高性能？

主要发现

• 引入上下文信息显著提升了垃圾信息检测性能，优于仅依赖视觉特征的模型。
• 使用潜在语义分析（LSA）通过捕捉视觉特征空间中的语义关系，带来了可测量的分类准确率提升。
• 运动感知特征在检测垃圾信息方面比静态特征更有效，尤其在具有欺骗性或操纵性视觉模式的视频中。
• 上下文与LSA的结合产生了最高的F1-score，表明语义上下文与特征空间降维之间存在协同效应。
• 整体系统表现优异，证实了在真实世界视频分享平台中采用基于内容的垃圾信息过滤具有可行性。