Social networks have generated immense amounts of data that have been successfully utilized for research and business purposes. The approachability and immediacy of social media have also allowed ill-intentioned users to perform several harmful activities that include spamming, promoting, and phishing. These activities generate massive amounts of low-quality content that often exhibits duplicate, automated, inappropriate, or irrelevant content that subsequently affects users’ satisfaction and imposes a significant challenge for other social media-based systems. Several real-time systems were developed to tackle this problem by focusing on filtering a specific kind of low-quality content. In this paper, we present a fine-grained real-time classification approach to identify several types of low-quality tweets (i.e., phishing, promoting, and spam tweets) written in Arabic. The system automatically extracts textual features using deep learning techniques without relying on hand-crafted features that are often time-consuming to be obtained and are tailored for a single type of low-quality content. This paper also proposes a lightweight model that utilizes a subset of the textual features to identify spamming Twitter accounts in a real-time setting. The proposed methods are evaluated on a real-world dataset (40, 000 tweets and 1, 000 accounts), showing superior performance in both models with accuracy and F1-scores of 0.98. The proposed system classifies a tweet in less than five milliseconds and an account in less than a second.

社交网络产生了大量数据，这些数据已成功用于研究和商业目的。社交媒体的可访问性和即时性还允许恶意用户进行多种有害活动，包括垃圾邮件，宣传和网络钓鱼。这些活动会生成大量的低质量内容，这些内容通常会显示重复的，自动化的，不适当的或不相关的内容，这些内容随后会影响用户的满意度，并对其他基于社交媒体的系统构成重大挑战。通过专注于过滤特定种类的低质量内容，开发了一些实时系统来解决此问题。在本文中，我们提出了一种细粒度的实时分类方法，以识别几种类型的低质量推文（例如，网络钓鱼，推广，和垃圾邮件推文）（用阿拉伯语撰写）。该系统使用深度学习技术自动提取文本特征，而无需依赖通常需要花费大量时间才能获得的，为单一类型的低质量内容量身定制的手工特征。本文还提出了一种轻量级模型，该模型利用文本功能的子集来实时识别垃圾邮件Twitter帐户。所提出的方法在真实的数据集（40、000条推文和1,000个帐户）上进行了评估，显示出在两种模型中均具有出色的性能，其准确性和F1得分均为0.98。提议的系统在不到5毫秒内对一条推文进行分类，并在不到1秒内对一个帐户进行分类。该系统使用深度学习技术自动提取文本特征，而无需依赖通常需要花费大量时间才能获得的，为单一类型的低质量内容量身定制的手工特征。本文还提出了一种轻量级模型，该模型利用文本功能的子集来实时识别垃圾邮件Twitter帐户。所提出的方法在真实的数据集（40、000条推文和1,000个帐户）上进行了评估，显示出在两种模型中均具有出色的性能，其准确性和F1得分均为0.98。提议的系统在不到5毫秒内对一条推文进行分类，并在不到1秒内对一个帐户进行分类。该系统使用深度学习技术自动提取文本特征，而无需依赖通常需要花费大量时间才能获得的，为单一类型的低质量内容量身定制的手工特征。本文还提出了一种轻量级模型，该模型利用文本功能的子集来实时识别垃圾邮件Twitter帐户。所提出的方法在真实的数据集（40、000条推文和1,000个帐户）上进行了评估，显示出在两种模型中均具有出色的性能，其准确性和F1得分均为0.98。提议的系统在不到5毫秒内对一条推文进行分类，并在不到1秒内对一个帐户进行分类。本文还提出了一种轻量级模型，该模型利用文本功能的子集来实时识别垃圾邮件Twitter帐户。所提出的方法在真实的数据集（40、000条推文和1,000个帐户）上进行了评估，显示出在两种模型中均具有出色的性能，其准确性和F1得分均为0.98。提议的系统在不到5毫秒内对一条推文进行分类，并在不到1秒内对一个帐户进行分类。本文还提出了一种轻量级模型，该模型利用文本功能的子集来实时识别垃圾邮件Twitter帐户。所提出的方法在真实的数据集（40、000条推文和1,000个帐户）上进行了评估，显示出在两种模型中均具有出色的性能，其准确性和F1得分均为0.98。提议的系统在不到5毫秒内对一条推文进行分类，并在不到1秒内对一个帐户进行分类。