Avaliação do uso de quantificadores de teoria da informação para identificação de conversas online de pedofilia

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-10-20T15:20:08Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Juliana_Postal_dissertacao.pdf: 2586134 bytes, checksum: f2faf93126ca7c96d99737e27db811fb (MD5) === App...

Full description

Bibliographic Details
Main Authors: Postal, Juliana Gorayeb, 92988053182
Other Authors: secretaria@icomp.ufam.edu.br
Format: Others
Language:Portuguese
Published: Universidade Federal do Amazonas 2017
Subjects:
Online Access:http://tede.ufam.edu.br/handle/tede/5980
Description
Summary:Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-10-20T15:20:08Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Juliana_Postal_dissertacao.pdf: 2586134 bytes, checksum: f2faf93126ca7c96d99737e27db811fb (MD5) === Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-10-20T19:25:05Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Juliana_Postal_dissertacao.pdf: 2586134 bytes, checksum: f2faf93126ca7c96d99737e27db811fb (MD5) === Made available in DSpace on 2017-10-20T19:25:05Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Juliana_Postal_dissertacao.pdf: 2586134 bytes, checksum: f2faf93126ca7c96d99737e27db811fb (MD5) Previous issue date: 2017-05-05 === Social networks of instant messaging, such as Whatsapp, represent a real threat for children and teenagers, who can easily become targets of sexual predators and pedophiles. Hence, the automatic identification of pedophile chats represent a key tool to protect the young users of social networks. However, these networks have two sensitive particularities: (1) messages are often stored only locally; (2) mobile devices of limited processing power are the major interfaces. In this context, the state-of-the-art has a prohibitive cost to run on mobile devices. On the other hand, the nature of the peer-to-peer communication of such networks make it inviable to process the chat on the cloud, without risking to expose the victims. In this work, we present a new method, based on the Shannon entropy and the Jensen-Shannon divergence, to identify pedophile chats, that achieves nearly 90% of F1 and F0.5, and can be up to 72.8% faster than the state-of-the-art. In this work, we present a method for extracting text features based on two information theory quantifiers, using individual histograms of words representing the conversations and three mean histograms that represent the discourse pattern of possible types of authors present on the basis of Data: Predator (pedophile), victim and regular (neither victim nor predator). The first quantifier is Shannon’s entropy which indicates repetition of the subject’s subject in conversations, the second is the Jensen-Shannon divergence that measures the similarity between speech in a conversation relative to the discourse pattern of author types. The proposed method is able to summarize the conversations considered in the study in three characteristics of entropy and three characteristics of divergence independent of the amount of conversations considered in the experiments. This compact feature vector allows a classifier to be able to identify pedophile conversations with a performance close to 90%, considering the measures F1 and F0.5, and that it becomes 72.8% faster than the state of the art. === Redes sociais privativas de mensagens instantaneas, como Whatsapp, representam uma ameaca para criancas e adolecentes que podem se tornar alvos de pedofilos. Portanto, a identificacao automatica de conversas de pedofilia representa uma importante ferramenta para prote¸c˜ao de jovens usuarios destas redes. Contudo, estas redes possuem como particularidades: (1) as mensagens s˜ao tipicamente armazenadas apenas localmente; e (2) dispositivos moveis de capacidade limitada de processamento sao os principais veıculos de utilizacao. Neste contexto, as solucoes de estado-da-arte possuem um custo computacional proibitivo para execucao em dispositivos m´oveis. Em contrapartida, a natureza da comunicacao ponto-a-ponto destas redes torna, em muitos casos, inviavel o processamento em nuvem sem correr o risco de expor as vıtimas de pedofilia. Neste trabalho, apresentamos um metodo para extracao de caracterısticas de texto baseado em dois quantificadores de teoria da informacao, que utilizam histogramas individuais de palavras que representam as conversas e tres histogramas medios que representam o padrao de discurso dos possıveis tipos de autores presentes na base de dados: Predador (pedofilo), vıtima e regular (nem vıtima e nem predador). O primeiro quantificador ´e a entropia de Shannon que indica repeticao de assunto dos tipos de autor em conversas, o segundo e a divergencia de Jensen-Shannon que mede a similaridade entre o discurso em uma conversa em relacao ao padrao de discurso dos tipos de autor. O metodo proposto e capaz de resumir as conversas consideradas no estudo em tres caracterısticas de entropia e tres caracterısticas de divergencia independente da quantidade de conversas consideradas nos experimentos. Este vetor de caracteristicas compacto permite que um classificador seja capaz de identificar conversas de pedofilia com um desempenho próximo a 90%, considerando as medidas F1 e F0,5, e que chega a ser 72,8% mais rápido que o estado-da-arte.