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
|
20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。
|
24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。
17 1
|
4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最佳实践
【4月更文挑战第23天】在数据驱动的时代,机器学习已成为创新的核心动力。本文深入探讨了构建高效机器学习模型的关键步骤,包括数据预处理、特征工程、模型选择、训练技巧以及性能评估。通过实例分析与经验总结,旨在为从业者提供一套实用的技术指南,帮助他们在复杂数据环境中提升模型的准确性和泛化能力。
|
2天前
|
机器学习/深度学习 数据采集 监控
构建高效机器学习模型的最佳实践
【4月更文挑战第25天】 在数据驱动的时代,机器学习已成为创新和效率提升的关键工具。本文将探讨一系列实用的策略和技术,旨在帮助读者构建出更高效、更精确的机器学习模型。我们将从数据处理开始,讨论特征选择的重要性以及如何避免过拟合,接着深入到模型选择与优化,最后讨论模型部署和维护的实践要点。通过遵循这些最佳实践,读者能够提升其机器学习项目的成功率并实现更好的业务成果。
|
3天前
|
机器学习/深度学习 算法 搜索推荐
Python用机器学习算法进行因果推断与增量、增益模型Uplift Modeling智能营销模型
Python用机器学习算法进行因果推断与增量、增益模型Uplift Modeling智能营销模型
30 12
|
9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
31 7
|
10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。
|
11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。
|
11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
16 0
|
17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。