Nowadays, with the rise of Internet access and mobile devices around the globe, more people are using social networks for collaboration and receiving real-time information. Twitter, the microblogging that is becoming a critical source of communication and news propagation, has grabbed the attention of spammers to distract users. So far, researchers have introduced various defense techniques to detect spams and combat spammer activities on Twitter. To overcome this problem, in recent years, many novel techniques have been offered by researchers, which have greatly enhanced the spam detection performance. Therefore, it raises a motivation to conduct a systematic review about different approaches of spam detection on Twitter. This review focuses on comparing the existing research techniques on Twitter spam detection systematically. Literature review analysis reveals that most of the existing methods rely on Machine Learning-based algorithms. Among these Machine Learning algorithms, the major differences are related to various feature selection methods. Hence, we propose a taxonomy based on different feature selection methods and analyses, namely content analysis, user analysis, tweet analysis, network analysis, and hybrid analysis. Then, we present numerical analyses and comparative studies on current approaches, coming up with open challenges that help researchers develop solutions in this topic.

中文翻译：

---

Twitter垃圾邮件检测：系统评价

如今，随着全球互联网访问和移动设备的兴​​起，越来越多的人正在使用社交网络进行协作并接收实时信息。微博已成为通信和新闻传播的重要来源，微博吸引了垃圾邮件制造者的注意力，以分散用户的注意力。到目前为止，研究人员已引入各种防御技术来检测垃圾邮件并在Twitter上打击垃圾邮件发送者的活动。为了克服这个问题，近年来，研究人员提供了许多新颖的技术，它们大大提高了垃圾邮件的检测性能。因此，它激发了对Twitter上不同的垃圾邮件检测方法进行系统审查的动机。这篇综述着重于系统地比较现有的有关Twitter垃圾邮件检测的研究技术。文献综述分析表明，大多数现有方法都依赖于基于机器学习的算法。在这些机器学习算法中，主要区别在于各种特征选择方法。因此，我们提出了一种基于不同特征选择方法和分析的分类法，即内容分析，用户分析，tweet分析，网络分析和混合分析。然后，我们介绍了当前方法的数值分析和比较研究，提出了开放性挑战，可帮助研究人员开发该主题的解决方案。我们提出了基于不同特征选择方法和分析的分类法，即内容分析，用户分析，tweet分析，网络分析和混合分析。然后，我们介绍了当前方法的数值分析和比较研究，提出了开放性挑战，可帮助研究人员开发该主题的解决方案。我们提出了基于不同特征选择方法和分析的分类法，即内容分析，用户分析，tweet分析，网络分析和混合分析。然后，我们介绍了当前方法的数值分析和比较研究，提出了开放性挑战，可帮助研究人员开发该主题的解决方案。