Paper - Hogeschool Gent

Hoofdstuk 3. Data 25
3.2 Vereiste data
Uit deze ruime dataset wordt een selectie gemaakt voor het gebruik in supervised learning.
Concreet betekent dit dat de data die aan het algoritme verstrekt worden, moet gelabeld
zijn. Er moet dus een indicatie aan een tekstdocument gekoppeld worden die aanduidt of
het document een geval is van seksueel misbruik.
Daar de data geleverd werd in een SQL-dump is besloten om verder te werken met data-
basestructuren en niet met bijvoorbeeld losse tekstbestanden.
3.2.1 Positieve documenten
Positieve documenten zijn documenten waar volgens de inhoud een positief antwoord kan
gegeven worden op de vraag “Is er bij dit document sprake van seksueel misbruik?”. Een
document bestaat voor blogberichten uit een titel en een corpus. Voor blogcommentaren
is er enkel een corpus.
De data bevat nu wel geklasseerde profielen, maar geen geklasseerde documenten die als
trainingsset kunnen dienen. Daarom moest deze trainingsdata op een andere manier wor-
den verkregen. Hieronder staan de verschillende technieken en query’s die gebruikt werden
bij de initiële selectie van positieve data.
Eerst werden uit de tabel met geblokkeerde gebruikers die gebruikers geselecteerd die ge-
blokkeerd zijn omwille van seksuele misdragingen, zijnde de types ‘seksprofiel’ en ‘pedofiel-
profiel’. De kans dat de berichten van deze gebruikers seksuele inhoud bevatten, is relatief
groot. Dit betekent echter niet dat alle berichten van deze selectie van geblokkeerde gebrui-
kers zomaar kunnen toegevoegd worden aan de tabel met seksueel misbruik. Een gebruiker
kan zo bijvoorbeeld 100 berichten hebben waarvan 99 zonder seksueel misbruik, maar ge-
blokkeerd worden omwille van dat ene bericht dat wel als ongepast geklasseerd wordt. Het
toevoegen van de 99 toegelaten berichten zou de resultaten van de text classifier flink om-
laag halen. Als extra criterium werd daarom een selectie gemaakt waarbij de gebruikers
geblokkeerd zijn omwille van seksuele berichten en die bovendien maar één enkel bericht
hebben. De kans dat een gebruiker geblokkeerd werd vanwege dit ene bericht is nu vrij
groot. De data die nu geselecteerd is, wordt selectie Y genoemd. Maar ook nu mag er nog
niet beslist worden om al deze documenten zonder meer te klasseren als seksueel misbruik.
Een gebruiker kan geblokkeerd zijn voor seksuele reden en maar één tekstbericht hebben,
maar 20 seksuele foto’s. Of misschien bestaat dat ene bericht uit enkel een niet toegelaten