苹果最新回应垃圾信息泛滥:正探索采用机器学习模型识别

简介: 针对此前媒体广泛报道的iMessage垃圾信息泛滥现状,8月2日午间,苹果官方回应中新经纬客户端称,我们非常重视中国用户,目前我们正在探索更多的办法以进一步减少垃圾信息,包括采用更先进的机器学习模型以识别垃圾信息,以及推出更多的工具来阻止恶意发件账号。

针对此前媒体广泛报道的iMessage垃圾信息泛滥现状,8月2日午间,苹果官方回应中新经纬客户端称,我们非常重视中国用户,目前我们正在探索更多的办法以进一步减少垃圾信息,包括采用更先进的机器学习模型以识别垃圾信息,以及推出更多的工具来阻止恶意发件账号。

iMessage是苹果公司的一款即时通信服务,可以发送短信、视频等内容。当有陌生人发送iMessage信息时,用户可以点击信息下方的“报告垃圾信息”按键,删除并向苹果报告垃圾信息。但是发送垃圾信息的账号最多只是被封禁,发送消息者只需注册新账户即可再发。

image

(网友收到的iMessage垃圾短信)


“通过iOS,我们已经推出了一些让用户可以轻松采纳的应对方法,比如过滤非所需联系人或电话号码,阻止未知发件人的信息,并报告疑似垃圾信息的 iMessage 信息。我们将继续努力保护我们的顾客免受垃圾信息的骚扰。”苹果方面今天称,“苹果在iOS 11中推出了SMS fraud extension(恶意短信拦截插件),使得像腾讯手机管家这样的第三方App可以发现潜在的垃圾短信,并将它们移送到专属的文件夹里。”

据了解,苹果iMessage垃圾信息泛滥的背后,是极低的群发消息成本。在某网络平台,有用户搜索发现有不少代发iMessage广告的商家,报价多为0.1元一条,发送数量在十万条以上的价格为0.09元一条。不仅有商家明码标价售卖iMessage群发设备、代发iMessae垃圾信息,用户的AppleID 也疑似遭到泄漏和贩卖。

此前,针对iMessage垃圾信息的情况,苹果公司回复称用户可以在设备上阻止联系人和电话号码,还可以过滤掉未知发件人发来的iMessage信息,并报告疑似垃圾信息的iMessage信息。不过,苹果公司表示,iMessage垃圾信息是通过运营商发送的,苹果没有权力辨别或拦截个人信息。

多位业内人士曾对媒体表示,拦截iMessage垃圾消息的难点主要在于如何识别垃圾消息,存在误报风险。iMessage作为即时通信软件对时效性要求高,不像电子邮件,即便被误判为垃圾信息也不一定会损害通信效率。而iMessage相较于QQ、微信等其他即时通信软件,默认允许接收陌生人信息,因此垃圾信息很多。

除了用机器学习模型以识别垃圾信息,苹果公司还表示正在跟国内的电信企业接触,并探索其他可以采取的方法来减轻垃圾信息带来的困扰。

原文发布时间为:2018-08-02
本文作者:AI小智君
本文来自云栖社区合作伙伴“人工智能观察”,了解相关信息可以关注“人工智能观察”。

相关文章
|
16天前
|
机器学习/深度学习 数据采集 人工智能
构建高效机器学习模型的五大技巧
【4月更文挑战第7天】 在数据科学迅猛发展的今天,机器学习已成为解决复杂问题的重要工具。然而,构建一个既精确又高效的机器学习模型并非易事。本文将分享五种提升机器学习模型性能的有效技巧,包括数据预处理、特征工程、模型选择、超参数调优以及交叉验证。这些方法不仅能帮助初学者快速提高模型准确度,也为经验丰富的数据科学家提供了进一步提升模型性能的思路。
|
29天前
|
机器学习/深度学习 数据采集 监控
大模型开发:描述一个典型的机器学习项目流程。
机器学习项目涉及问题定义、数据收集、预处理、特征工程、模型选择、训练、评估、优化、部署和监控。每个阶段都是确保模型有效可靠的关键,需要细致操作。
18 0
|
20天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型的最佳实践
【4月更文挑战第3天】在数据驱动的时代,构建高效的机器学习模型已成为解决复杂问题的关键。本文将探讨一系列实用的技术策略,旨在提高模型的性能和泛化能力。我们将从数据预处理、特征工程、模型选择、超参数调优到集成学习等方面进行详细讨论,并通过实例分析展示如何在实践中应用这些策略。
16 1
|
6天前
|
机器学习/深度学习 存储 算法
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
PYTHON集成机器学习:用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
26 7
|
6天前
|
机器学习/深度学习 算法 数据处理
构建自定义机器学习模型:Scikit-learn的高级应用
【4月更文挑战第17天】本文探讨了如何利用Scikit-learn构建自定义机器学习模型,包括创建自定义估计器、使用管道集成数据处理和模型、深化特征工程以及调优与评估模型。通过继承`BaseEstimator`和相关Mixin类,用户可实现自定义算法。管道允许串联多个步骤,而特征工程涉及多项式特征和自定义变换。模型调优可借助交叉验证和参数搜索工具。掌握这些高级技巧能提升机器学习项目的效果和效率。
|
7天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型:从特征工程到模型调优
【4月更文挑战第16天】 在数据驱动的时代,机器学习已成为解决复杂问题的关键工具。本文旨在分享一套实用的技术流程,帮助读者构建高效的机器学习模型。我们将重点讨论特征工程的重要性、选择合适算法的策略,以及通过交叉验证和网格搜索进行模型调优的方法。文章的目标是为初学者提供一个清晰的指南,同时为有经验的实践者提供一些高级技巧。
|
7天前
|
机器学习/深度学习 人工智能 分布式计算
R和Python机器学习:广义线性回归glm,样条glm,梯度增强,随机森林和深度学习模型分析
R和Python机器学习:广义线性回归glm,样条glm,梯度增强,随机森林和深度学习模型分析
13 0
|
13天前
|
机器学习/深度学习 JavaScript 前端开发
机器学习模型部署:使用Python和Vue搭建用户友好的预测界面
【4月更文挑战第10天】本文介绍了如何使用Python和Vue.js构建机器学习模型预测界面。Python作为机器学习的首选语言,结合Vue.js的前端框架,能有效部署模型并提供直观的预测服务。步骤包括:1) 使用Python训练模型并保存;2) 创建Python后端应用提供API接口;3) 利用Vue CLI构建前端项目;4) 设计Vue组件实现用户界面;5) 前后端交互通过HTTP请求;6) 优化用户体验;7) 全面测试并部署。这种技术组合为机器学习模型的实用化提供了高效解决方案,未来有望更加智能和个性化。
|
17天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型:从数据预处理到模型优化
【4月更文挑战第6天】本文聚焦于机器学习模型的开发流程,旨在提供一套系统的方法论以构建出更高效的模型。我们将深入探讨数据预处理的重要性,特征工程的策略,以及如何通过交叉验证和超参数调优来提升模型性能。文章不仅涉及理论分析,还包括了实际案例的代码实现,为读者呈现一个从数据处理到模型部署的完整蓝图。
14 0
|
18天前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型:从数据预处理到模型优化
【4月更文挑战第5天】 在机器学习领域,构建一个高效的模型并非易事。它涉及多个阶段,包括数据预处理、特征工程、模型选择、训练以及最终的评估和优化。本文深入探讨了如何通过精确的数据预处理技巧和细致的特征工程来提升模型性能,同时介绍了几种常见的模型优化策略。我们的目标是为读者提供一套实用的指导方案,帮助他们在面对复杂数据集时能够有效地构建和调整机器学习模型。