Angewandte Textanalyse mit Python

Kapitel 5. Klassifizierung für die Textanalyse

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Stell dir vor, du arbeitest Ende der 1990er Jahre bei einem der großen E-Mail-Anbieter und bearbeitest eine immer größere Anzahl von E-Mails von Servern in der ganzen Welt. Die Verbreitung und Wirtschaftlichkeit von E-Mails hat sie zu einem Hauptkommunikationsmittel gemacht, und das Geschäft boomt. Leider nimmt auch die Zahl der Junk-E-Mails zu. Am harmloseren Ende des Spektrums steht die Werbung für Internetprodukte, die jedoch in einer Flut von E-Mails verschickt wird, die deine Server stark belastet. Und weil E-Mails nicht reguliert sind, werden schädliche Nachrichten immer häufiger - immer mehr E-Mails enthalten falsche Werbung, Schneeballsysteme und gefälschte Investitionen. Was ist zu tun?

Du könntest damit beginnen, die E-Mail-Adressen oder IP-Adressen von Spammern auf eine schwarze Liste zu setzen oder nach Schlüsselwörtern zu suchen, die darauf hindeuten, dass eine E-Mail Spam ist. Da es aber relativ einfach ist, eine neue E-Mail- oder IP-Adresse zu bekommen, umgehen Spammer auch deine gut gepflegten Blacklists. Schlimmer noch: Du stellst fest, dass die Blacklists und Whitelists nicht gewährleisten, dass gültige E-Mails durchkommen, und die Nutzer/innen sind unzufrieden. Du brauchst etwas Besseres, eine flexible und stochastische Lösung, die in großem Maßstab funktioniert: maschinelles Lernen. ...