3.2 YouTube スパムコメント (テキスト分類)

テキスト分類の例として、5つのYouTubeビデオについた1956件のコメントを用います。ありがたいことに、このデータセットを使用したスパム分類に関する論文の著者がデータを自由に利用可能な状態にしてくれました。(Alberto, Lochter, and Almeida (2015)14)

コメントは2015年の上半期の再生回数上位10件のうちの5つからYouTube APIを用いて収集されました。5件すべてはミュージックビデオで、そのうちの1つは、韓国のアーティスト Psy による ”カンナムスタイル” です。その他のアーティストは、Katy Perry, LMFAO, Eminem, Shakira です。

コメントのいくつかを見てみましょう。 コメントは、手動でスパムかそうでないかラベルがつけられています。 スパムは 1 というラベルで表され、スパムでない場合は 0 で表されます。

CONTENT CLASS
Huh, anyway check out this you[tube] channel: kobyoshi02 1
Hey guys check out my new channel and our first vid THIS IS US THE MONKEYS!!! I'm the monkey in the white shirt,please leave a like comment and please subscribe!!!! 1
just for test I have to say murdev.com 1
me shaking my sexy ass on my channel enjoy ^_^ 1
watch?v=vtaRGgvGtWQ Check this out . 1
Hey, check out my new website!! This site is about kids stuff. kidsmediausa . com 1
Subscribe to my channel 1
i turned it on mute as soon is i came on i just wanted to check the views... 0
You should check my channel for Funny VIDEOS!! 1
and u should.d check my channel and tell me what I should do next! 1

実際にYouTube にアクセスしてコメントを確認できます。 しかし、YouTube の地獄に巻き込まれて、猿がビーチで観光客からカクテルを盗んで飲む動画を見ないようにしてください。 Google のスパム検知は 2015 年から大きく変更されているかもしれません。

視聴率記録を更新した「Gangnam Style」の動画はこちら.

もしこのデータで遊びたいのならば、この本のGitHubレポジトリに RDataファイル があります。また、便利な関数はここR-script にあります。


  1. Alberto, Túlio C, Johannes V Lochter, and Tiago A Almeida. "Tubespam: comment spam filtering on YouTube." In Machine Learning and Applications (Icmla), Ieee 14th International Conference on, 138–43. IEEE. (2015).