Оцінка ефективності використання інструментів NLP та систем AI для аналізу рекламних оголошень у системах обміну інтернет-рекламою
DOI:
https://doi.org/10.26642/ten-2023-1(91)-161-165Ключові слова:
виявлення, онлайн-реклама, зловмисний вміст, шахрайський вміст, системи обміну реклами в інтернеті, рекламні кампанії, штучний інтелект (AI), обробка природної мови (NLP)Анотація
Дослідження визначає ефективність використання інструментів обробки природної мови та систем штучного інтелекту для аналізу рекламних кампаній у системах обміну реклами в інтернеті. Стаття розглядає, які інструменти можуть бути використані для виявлення ключових слів у тексті оголошень, а також як ці інструменти можуть бути поєднані зі спеціалізованими моделями машинного навчання для виявлення шахрайської та зловмисної інформації у вебсерверах обміну реклами. Стаття ілюструє, які метрики можуть бути використані для оцінки контенту рекламних оголошень на предмет небажаного вмісту, використовуючи сучасні системи штучного інтелекту. Проводиться аналіз існуючих інструментів та результатів їх роботи на прикладі реального рекламного оголошення з підвищеною небезпекою. Надається детальний звіт відповідно до різних метрик оцінки. Визначається доцільність інтеграції описаних вище технологій у бізнес-логіку рекламних мереж.
Посилання
Sivakorn, S., Chandra, D. and Traynor, P. (2016), «Detecting Malicious and Low-Quality Advertisements with Neural Networks», Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security.
Bursztein, E., Thomas, G. and Palmer, C. (2014), «AdWatch: A Comprehensive Approach to Monitoring Online Advertising Networks for Malicious Activity», Proceedings of the 2014 ACM Conference on Computer and Communications Security.
Liu, M., Li, J., Liu, H. and Tang, J. (2018), «Detecting Malicious and Fraudulent Online Advertising», ACM Transactions on Knowledge Discovery, [Online], available at: https://dl.acm.org/doi/10.1145/3178867
Zhang, J., Zhou, Y. and Zhu, Y. (2016), «Automatic Detection of Malicious Advertising Campaigns», Proceedings of the 15th IEEE International Conference on Trust, Security and Privacy in Computing and Communications, [Online], available at: https://ieeexplore.ieee.org/document/7557061
Cao, Yinzhi, Chen, Yan and Chen, Qi Alfred (2014), «Combating Malicious Advertising with AdGraph», Proceedings of the 23rd USENIX Security Symposium, [Online], available at: http://surl.li/hutzj
Khandelwal, Urvashi and Varma, Vasudeva (2017), «Identifying Deceptive Advertisements by Analyzing their Linguistic Characteristics», Proceedings of the 8th Workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis, [Online], available at: https://www.aclweb.org/anthology/W17-5202/
Kassiri, K.D., Homayounfar, B. and Torkaman Rahmani, A. (2019), «Using Natural Language Processing to Detect Phishing Websites», International Journal of Computer Science and Network Security, Vol. 19, No. 1, pp. 30–36.
Buehler, D., Zou, C. and Navab, N. (2019), «Anomaly Detection for Online Advertising: A Survey», Journal of Machine Learning Research, Vol. 20, No. 47, рp. 1–38.
Rasheed, H., Hassan, M.M. and Salah, K. (2018), «Exploring Machine Learning Techniques for the Detection of Malicious Advertisements», Proceedings of the 12th International Conference on Signal Processing, [Online], available at: https://ieeexplore.ieee.org/document/8717621
Srikrishna, B. and Ram Mohana Reddy, G. (2018), «A Machine Learning Approach to Identify Malicious Websites», Proceedings of the 2018 IEEE International Conference on Big Data, [Online], available at: http://surl.li/huuds
Ali, M.S., Alam, S.M.N. and Haque, M.A. (2019), «Phishing Detection Using Machine Learning Techniques: A Comparative Study», Proceedings of the 2019 International Conference on Computer Science and Artificial Intelligence.
Alhasanat, S.A. and Alsharif, S.A. (2021), «A Survey on Deep Learning for Intrusion Detection Systems: Taxonomy, Techniques, and Open Issues», Journal of Big Data, Vol. 8, No. 1, рр. 1–39.
Mathur, A., Saxena, N. and Verma, S.S. (2018), «Machine Learning for Cyber Security: A Review», Proceedings of the 2018 IEEE 4th World Forum on Internet of Things.
How to Detect Malicious Ads Using Machine Learning, [Online], available at: http://surl.li/hutzv
Detecting Malicious Ads with Google Cloud Platform, [Online], available at: http://surl.li/huued
Official documentation of Google Cloud Natural Language API, [Online], available at: http://surl.li/huuda
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Віталій Ярославович Круціцький, Інна Іванівна Сугоняк
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автор, який подає матеріали до друку, зберігає за собою всі авторські права та надає відповідному виданню право першої публікації, дозволяючи розповсюджувати даний матеріал із зазначенням авторства та джерела первинної публікації, а також погоджується на розміщення її електронної версії на сайті Національної бібліотеки ім. В.І. Вернадського.
