Slides Link Spam-Erkennung und -Unterdrückung

Link- SpamErkennung und Unterdrückung Florian Holzhauer fh@fholzhauer.de

Spam? „Kommerziell motivierter Datenmüll“ Mail, Telefon, Post, Web, .. Hier: Linkspam Ziel: Suchmaschinenranking verbessern Maschinenoptimiert

Warum Linkspam? Gutes Suchranking = $$$ Höhere Besucherzahlen Populärer als die Konkurrenz Viele Links auf beworbene Seite PageRank HITS Zusätzlich „Queryoptimierung“

PageRank „Google-Algorithmus“ Oft Verlinkt = Hoher PageRank PageRank der verlinkenden Seiten wichtig d = Damping factor (meist 0.85)

HITS Hub-Rank, Authority-Rank Rekursiv

Wie Spam? Häufig verlinkt Verlinkt durch hoch bewertete Seiten Spamseite selbst will nicht unbedingt hoch bewertet werden Automatisiert Selten manuelle Ansätze

Blogspam Trackbacks Kommentare Captchas/ Rechenaufgaben Auch Wikis, Gästebücher, Foren

Linkfarm Automatisch generiert Gegenseitig verlinkt Dynamische Inhalte

Erkennung Soziale Probleme, technische Lösung Neuer Algorithmus -> neuer Spam False Positives Definition?

Quantitative Eigenschaften Domain/URL Worthäufigkeiten Seiteneigenschaften Metatags Servereigenschaften „nearby duplicates“ Änderungsfrequenz

Sprachmodell Sprachliche Unterschiede Blogspam Blogbeitrag Kommentare Verlinkte Seiten Kullback Leibler Divergenz „Wahrscheinlichkeitsunterschiede“

SVM Support Vector Machine Trainierbarer Separationsalgorithmus Gruppiert in zwei Teile Nicht linear separierbar: „Möglichst“ gut

Graphen Links = Gerichteter Graph Verlinkungsanomalien Good Core Kombinierbar

Good Core Manuell erstellt Klein Unzuverlässig Subjektiv Teuer

TrustRank Good Core Enfernung = Score  1*β Dämpfungsfaktor (1/Linkzahl)*β Basiert auf „gewollten Links“?  Veraltete Links Spam!

BadRank „Umgedrehter Pagerank“ E(A) durch Spamfilter Nicht unbedingt nötig

ParentPenalty Schnittmenge eingehender und Ausgehender Links einer Domain Gross = Vermutlich Spam Matrix (A) = 1 wenn Anzahl > Treshold, sonst 0

ParentPenalty Iterieren durch A Anzahl eingehender Seiten mit An=1  > Treshold? -> An=1 Mehrfache Iteration Problem: Treshold-Wahl?

Ausblick Idee: Kein absoluter Pagerank? Unterschiedliche Benutzer wollen unterschiedliche Seiten Technischer Wettkampf Semantic Web?

Slides Link Spam-Erkennung und -Unterdrückung

by Florian Holzhauer on Nov 30, 2011

Accessibility

Upload Details

Usage Rights

Statistics

Slides Link Spam-Erkennung und -Unterdrückung — Presentation Transcript