Detecção de Aliciamento de Crianças e Adolescentes em Salas de

Detecção de Aliciamento de Crianças e Adolescentes em
Salas de bate-papo
Arion Ruiz Ribas, Luiz Melo Romão
Departamento de Informática – Universidade da Região de Joinville (UNIVILLE)
Joinville – SC – Brasil
[email protected], [email protected]
Abstract. With the growing number of children attend chat rooms, the
identification of grooming by persons in this environment, became a
unfeasible task. The present work has with motivation, facilitate the form how
are performed detections of grooming children in chat rooms. The objective is
run an experiment to analyzing the performance of text mining algorithms that
will be implemented in the future tool. This paper will analyze the algorithms
JRip, NaiveBayes and J48 by Weka tool and for evaluation of the results will
be used as precision and recall Metrics for measuring the performance of each
algorithm.
Resumo. Com o crescente número de crianças que frequentam salas de bate
papo, a identificação de um ato de aliciamento por pessoas neste ambiente
tornou-se uma tarefa inviável. O presente trabalho tem como motivação
facilitar a forma como são realizadas as detecções de aliciamento infantil em
salas de bate papo. O objetivo é realizar um experimento para analisar o
desempenho dos algoritmos de mineração de textos que possam ser
implementados em uma ferramenta futura. Neste trabalho, serão analisados
os algoritmos JRip, J48 e NaiveBayes, através da ferramenta WEKA e como
forma de avaliação dos resultados serão utilizadas as métricas de precision e
recall, medindo o desempenho de cada algoritmo.
1. Introdução
O número de dispositivos com acesso a internet vem crescendo a cada dia, tornando-se
parte da vida de muitas pessoas e famílias. A facilidade de acesso à tecnologia e internet
cria uma tendência, onde as crianças começam cada vez mais cedo a utilizar estes
dispositivos tecnológicos. De acordo com a pesquisa TIC Kids Online Brasil (BRASIL,
2014), 67% da população brasileira entre 10 e 15 anos utilizam a internet e 44% dos
entrevistados acessaram a internet pela primeira vez com idade inferior a 10 anos. Entre
esse grande número de pessoas que utilizam a internet, muitas a utilizam como forma de
comunicação. Esta pesquisa ainda mostra que 53% dos usuários utilizam a internet para
redes sociais ou troca de mensagens e 23% afirmam já ter se encontrado com pessoas
desconhecidas que conheceram pela internet e, somente em 1% destes casos, os pais
ficaram sabendo do encontro. Com isso, surge um “novo mundo” onde pessoas com
segundas intenções podem se aproveitar de outras pessoas para cometer crimes, como o
aliciamento de crianças e adolescentes.
69
O aliciamento pode ocorrer de diferentes formas, geralmente, uma pessoa tenta
seduzir outra, aproveitando-se de uma determinada situação para marcar encontros e
cometer crimes como abuso sexual e pornografia infantil. Estes tipos de crimes estão
tornando-se cada vez mais comuns, entretanto a identificação desses indivíduos é um
problema (MORRIS, 2012).
Com base nisso, surge a necessidade de se criar maneiras automatizadas para
facilitar a identificação destes criminosos, como por exemplo, através da verificação das
mensagens trocadas nas redes sociais utilizando técnicas de mineração de texto. A
mineração de texto é utilizada para descobrir e extrair automaticamente informações
relevantes dos documentos e serviços ligados a internet. Porém, esta busca por
informações relevantes da internet não é uma tarefa trivial e existe uma série de
dificuldades para analisar estas mensagens utilizando apenas os métodos e ferramentas
tradicionais. Nos trabalhos de (SANTIN, 2013), (MORRIS, 2012) e
(KONTOSTATHIS, 2009), são mostrados estudos para desenvolver novas ferramentas e
métodos para detecção de aliciadores na internet, adaptando técnicas e ferramentas
existentes para realizar uma análise mais precisa do perfil de mensagens de aliciadores,
através de classificadores que determinem um grupo de mensagens suspeitas com maior
exatidão.
Dentre as técnicas utilizadas para classificação de texto são utilizados algoritmos
de AM (aprendizado de máquina) como redes neurais, SVM (Support Vector Machine),
LSA (Latent Semantic Analysis), classificadores bayesianos entre outros. Porém, a
classificação não é o único problema, como as informações analisadas não são
estruturadas como em um banco de dados, existe uma dificuldade ainda maior em
extrair conhecimento destes dados (SANTIN, 2013). Os dados analisados via internet
podem ser classificados como do tipo semiestruturado ou não estruturado. Os dados
semiestruturados são uma forma de dado estruturado que não está de acordo com a
estrutura formal dos modelos de dados associados com bancos de dados relacionais ou
outras formas de tabelas de dados, mas que contém tags ou outros marcadores para
separar elementos semânticos e impor hierarquias de registros e campos dentro dos
dados, podendo ser documentos no formato HTML ou XML. Documentos que não
possuem nenhum tipo de estrutura, como textos, são ditos não estruturados.
As mensagens de texto em salas de bate papo, podem se apresentar tanto
semiestruturadas quanto não estruturadas, havendo a necessidade de técnicas específicas
para recuperar os dados em ambos os casos. Após recuperar estes dados é necessário
descobrir um padrão de similaridade nesses arquivos, para então classificá-los.
Com isso, este trabalho tem como objetivo criar uma base de dados com trechos
de conversas retiradas de salas de bate-papo a fim de identificar possíveis aliciadores de
menores. Para a análise dos dados e descoberta de padrões de aliciamento infantil, serão
utilizados os algoritmos JRip, J48 e Naive Bayes e os resultados serão avaliados através
de métricas de desempenho.
Além desta parte introdutória, este artigo está dividido na seguinte forma: na
Seção 2 é apresentada a fundamentação teórica com os principais conceitos utilizados na
pesquisa, na Seção 3 são definidos os procedimentos metodológicos que foram
realizados na execução do artigo. A Seção 4 mostra a análise e discussão dos resultados
obtidos e na Seção 5 são apresentadas as considerações finais do artigo.
70
2. Fundamentação Teórica
A Mineração de Textos foi criada para realizar a extração de conhecimento de estruturas
de dados do tipo não estruturadas (MONTEIRO, 2006). Dados não estruturados podem
ser representados por documentos de texto, tais como: e-mails; arquivos em diferentes
formatos (pdf, doc, txt); páginas Web; campos textuais em bancos de dados; textos
eletrônicos digitalizados a partir de papéis (MORAIS, 2007).
Segundo Lopes (2004), a Mineração de Textos pode ser definida como “um
conjunto de técnicas e processos que se prestam a descobrir conhecimento inovador nos
textos”. A Mineração de Textos é composta por tarefas oriundas da Mineração de
Dados, e seu processo é baseado no Knowledge Discovery from Text (KDT) (MORAIS,
2007). De modo geral, as principais etapas do processo de Mineração de Textos são:
Seleção dos dados; Preparação dos dados, Aplicação de Tarefas de Mineração de Texto
e Pós-Processamento dos Dados. Na figura 1, é mostrado o esquema básico para o
processo de Mineração de Textos.
Figura 1: Etapas da Mineração de Textos (LOPES, 2004)
A primeira etapa em um processo de Mineração de Textos consiste em
selecionar a base de dados, ou os documentos disponíveis que serão utilizados, definir o
problema, os resultados esperados, as restrições existentes e os algoritmos de mineração
mais apropriadas para o problema. Assim como na mineração de dados, a escolha da
base de dados deve ser realizada de acordo com o problema a ser resolvido. A escolha
de uma base com conteúdo relevante em relação ao problema, é de suma importância
para se obter um resultado final satisfatório (LOPES, 2004).
A maioria das bases de dados possui uma grande quantidade de informações
irrelevantes ou estão em formatos que dificultam a análise e identificação de padrões
nos arquivos de dados, havendo a necessidade de realizar um tratamento nos arquivos de
dados e identificar os termos relevantes e irrelevante. A etapa de preparação dos dados é
responsável por realizar o tratamento dessas informações.
A fase de preparação dos dados consiste em realizar os devidos tratamentos nos
documentos selecionados. Esta fase é responsável por realizar as transformações
necessárias nos termos, descoberta dos termos relevantes e remoção dos termos
irrelevantes. De acordo com Corrêa (2012), a técnica de identificação de termos
71
relevantes, tem como propósito identificar os termos que são relevantes e padronizar os
termos da base de dados. Os termos encontrados, podem ser simples ou compostos.
Termos simples possuem um significado, independente do contexto que é utilizado, já
termos compostos devem ser analisados dependendo do contexto utilizado.
Os termos encontrados nos documentos de texto podem conter diferentes tipos
de letra (maiúscula ou minúscula), dificultando a comparação de termos iguais. Para
isso, pode ser utilizada uma técnica de case folding, que consiste em transformar as
palavras para um mesmo tipo de letra, podendo ser maiúscula ou minúscula (LOPES,
2004). Após a utilização do case folding, todos os termos do texto são separados em
vetores, para que os termos possam ser analisados individualmente. As vírgulas e
espaços são removidos, pois são considerados irrelevantes; os acentos podem ser
removidos utilizando técnicas de Processamento de Linguagem Natural (PLN)
(CAMILO, 2009).
De acordo com Camilo (2009), também é possível eliminar os termos que
possuem pouca relevância no texto através da técnica chamada de stopwords. Os termos
irrelevantes dependem do idioma que está a base de dados. No idioma português por
exemplo, palavras que pertencem a certas classes gramaticas, como preposições,
pronomes, artigos, advérbios e numerais, são consideradas irrelevantes na identificação
do sentido de um texto, e, portanto, podem ser removidas. A remoção de stopwords
pode ser realizada com o auxilio de um dicionário de dados, que contém uma lista de
termos que não são úteis.
Outra técnica que pode ser utilizada nesta fase é o stemming ou normalização,
que tem como propósito realizar a redução dos termos para a sua origem ou radical. Esta
redução facilita a identificação das palavras e seus sentidos (WIVES, 2002). A técnica
de stemming realiza a remoção dos prefixos, sufixos, gênero, número e grau de um
termo, transformando várias palavras em um único termo. De certa forma, essa
transformação acaba reduzindo significativamente o número de termos a serem
analisados, facilitando a descoberta de termos similares, porém, isso reduz a precisão na
classificação de documentos, pois os termos serão analisados de forma genérica
(MORAIS, 2007).
Após a aplicação destas técnicas, o resultado é um conjunto de termos que
possuem relevância para a identificação do sentido do texto. Com isso, é realizado o
cálculo de relevância dos termos. O cálculo de relevância dos termos, determina quais
termos possuem maior grau de prioridade dentro de um texto, podendo ser medido
através da frequência absoluta, frequência relativa e frequência inversa de documentos,
dentre outras mais complexas. Conforme Wives (2002), a frequência absoluta é
realizada através da contagem do número de ocorrências dentro do texto, ou seja, a
quantidade de vezes que o termo aparece em um documento. Já a frequência relativa,
tem como objetivo realizar a contagem dos termos e determinar sua prioridade baseando
no tamanho do documento, visto que a frequência de um termo em um documento
grande é diferente da frequência em um documento pequeno. A frequência inversa de
documento utiliza a frequência absoluta e a frequência relativa, para medir o peso de um
determinado termo, com relação ao seu grau de aparição em diferentes documentos.
Após o cálculo de relevância e com o conjunto de termos relevantes, inicia-se a fase de
extração do conhecimento com o uso de técnicas de mineração de textos.
72
As técnicas utilizadas em mineração de textos são oriundas de diferentes áreas,
tais como: inteligência artificial, mineração de dados, entre outras. A aplicação de uma
técnica de mineração de textos deve levar em consideração a definição do problema e o
objetivo do processo a ser realizado, sendo necessário definir claramente o que se deseja
extrair a partir dos arquivos de texto (LOPES, 2004).
Dentre as técnicas mineração de textos, a classificação de dados é utilizada para
realizar classificação de documentos de texto. A tarefa de classificação dispõe de
diversos algoritmos como: Classificadores de Árvore de Decisão, Redes Neurais,
Classificadores baseados em exemplos, Classificadores Probabilísticos, Classificadores
baseados em Support Vector Machines (SVM), entre outros (LOPES, 2004).
A última fase no processo de Mineração de Textos é chamada de PósProcessamento dos dados, e consiste em realizar a validação do conhecimento
descoberto, através de métricas de avaliação e ferramentas de visualização.
3. Procedimentos metodológicos
Para realizar os experimentos, foram utilizadas 10 transcrições de conversas em um total
de 17745 linhas divididas em partes iguais de agressores (aliciadores) e vítimas,
retiradas do site Perverted-Justice. O Perverted-Justice é um site onde voluntários
cadastrados iniciam uma conversa com possíveis aliciadores, passando-se por crianças e
em parceria com a polícia dos Estados Unidos, é armado um flagrante. As conversas e o
perfil do aliciador são disponibilizados no site para futuras pesquisas. Estas conversas
foram agrupadas em uma única base. Nessa base, foram aplicados diferentes técnicas
para a preparação e análise dos dados.
Na primeira etapa de preparação dos dados, foram removidas as pontuações,
números e caracteres irrelevantes existentes, e o texto foi convertido em um conjunto de
palavras. Neste conjunto de palavras, com a ajuda de um dicionário de dados, foram
substituídos todos os termos informais utilizados em bate-papo para termos formais,
como por exemplo a palavra 2day foi transformada em today. Ainda foi aplicado um
algoritmo baseado em Lógica Fuzzy para converter todos os termos escritos errados, em
termos corretos. Ao final desta etapa, obteve-se um conjunto de termos formais, e então
com o uso da técnica de stemming, foram removidos todos os sufixos desses termos.
Após estas etapas, obteve-se uma lista com todos os termos coloquiais utilizados
nas conversas, com o auxílio de uma stopList, ainda foram removidos todos os termos
considerados irrelevantes. Ao final foi realizado o cálculo de relevância dos termos
através do uso da frequência absoluta. Com isso, obteve-se uma lista com todos os
termos relevantes da conversa e sua frequência, onde cada termo foi identificado pela
classe agressor ou vítima. Está lista foi então convertida para uma base de dados no
formato ARFF, formato padrão da ferramenta Weka utilizada no experimento.
Para a descoberta de padrões de aliciamento na base de dados foram utilizados
os algoritmos J48, JRip e Naive Bayes, que representam três diferentes tipos de modelos
de classificadores. O J48 é uma implementação do algoritmo C.4.5 usado para gerar
uma árvore de decisão baseado num conjunto de dados de treinamento, sendo que esse
modelo é utilizado para classificar as instâncias do conjunto de teste. O algoritmo JRip
representa o método direto de criação de regras e implementa uma aprendizagem
73
baseada em regra proposicional. Já o algoritmo Naive Bayes é um algoritmo estatístico
que computa a probabilidade de um documento pertencer a determinada classe a partir
da probabilidade a priori de um documento ser desta classe e da probabilidade
condicional de um termo ocorrer em um documento da mesma classe.
Para a análise dos resultados, foram utilizadas as métricas de precision, recall
(sensitividade) e a taxa de acerto de cada algoritmo. Na precision é analisada a
porcentagem de documentos recuperados que de fato são relevantes. Já o valor do recall
mostra a porcentagem de documentos que são relevantes e foram, de fato, recuperados.
Conforme as fórmulas a seguir:
Onde,
n_recuperados_relevantes: é o número de documentos relevantes recuperados.
n_possíveis_relevantes: é o número total de documentos relevantes do sistema.
n_total_recuperados: é o número total de documentos do sistema
4. Análise de Dados e Discussão do Resultados
Após realizar todas as etapas para descoberta de termos que distinguem agressor e
vitima dentro de uma conversa de sala de bate-papo e descobertos os termos com maior
relevância, foram aplicados os algoritmos de classificação J48, JRip e NaiveBayes para
a descoberta de padrões de aliciamento. Os experimentos foram realizados utilizando
como procedimento o método de validação cruzada fator 10 e os resultados são
descritos como valores-médios. A Tabela 1 mostra os resultados obtidos por cada
classificador.
Tabela 1: Resultados dos Classificadores
Taxa de Acerto
Precision
Recall
JRip
57,05%
0,57
0,571
J48
58,91%
0,588
0,589
NaiveBayes
56,09%
0,562
0,561
Após analisar os resultados, observou-se que os valores apresentados em taxa de
acerto, precision e recall foram muito similares entre os algoritmos. Levando em
consideração a taxa de acerto, o algoritmo J48 obteve um resultado um pouco melhor
com relação aos outros. Entretanto como forma de visualizar os padrões de aliciamento,
o algoritmo JRip, por apresentar seus resultados através de um conjunto de regras, torna
74
o seu entendimento mais compreensível do que outros modelos. Com isso, foi possível
identificar que quando existe um aliciamento as palavras BOILING, SEXY, MOM,
DISH, EYE, são as mais comuns utilizadas por agressores.
A etapa de preparação dos dados mostrou-se de fundamental importância para os
baixos resultados obtidos, devido ao fato das conversas estarem na língua inglesa, tevese um pouco de dificuldade para gerar o conjunto de termos finais, principalmente pela
complexidade de interpretação dos termos informais utilizados. Para obter melhores
resultados pretende-se gerar uma base com termos no português, afim de se obter uma
análise mais abrangente dos resultados.
5. Considerações Finais
Este trabalho propôs realizar um experimento para analisar o desempenho de algoritmos
para descoberta de modelos de detecção de aliciamento, utilizando palavras oriundas de
conversas de salas de bate-papo. No decorrer do trabalho foi optado pela utilização dos
algoritmos J48, JRip e NaiveBayes, pois vieram apresentando melhores resultados na
classificação de textos em outros artigos e por pertencerem a grupos de classificação
distintos.
Ao final do experimento observou-se similaridade nos resultados, e foi possível
gerar diferentes modelos de palavras que caracterizam aliciamento. Este artigo se mostra
de grande utilidade para futuras pesquisas na área, visto que são poucas as pesquisas
encontradas na literatura até o determinado momento. O presente artigo visa auxiliar na
implementação de uma futura ferramenta para detecção de aliciamento infantil em salas
de bate-papo.
Referências
Brasil, Comitê Gestor da Internet no Brasil. Pesquisa sobre o uso da internet por
Crianças
e
Adolescentes
no
Brasil.
Disponível
em:
<http://www.cetic.br/publicacoes/2012/tic-kids-online-2012.pdf>. Acesso em: 15
abr. 2014.
Camilo, C. O; Silva, J. C. Mineração de Dados: Conceitos, Tarefas, Métodos e
Ferramentas. Relatório Técnico, Universidade Federal de Goiás, 2009.
Corrêa, G. N; Marcacini, R. M; Rezende, S. O. Uso da mineração de textos na análise
exploratória de artigos científicos. Relatório Técnico, Instituto de Ciências
Matemáticas e de Computação-USP, 2012.
Kontostathis, A. ChatCoder: Toward the Tracking and Categorization of Internet
Predators. SPARKS: Proc. Text Mining Workshop 2009 Held in Conjunction with
the ninth Siam International Conference on Data Mining, 2009.
Lopes, M. C. S. Mineração de Dados Textuais Utilizando Técnicas de Clustering
para o Idioma Português, Tese Doutorado em Engenharia Civil, Universidade
Federal do Rio de Janeiro, 2004.
Monteiro, L. O.; Gomes, I. R.; Oliveira, T. Etapas do processo de mineração de
textos: uma abordagem aplicada a textos em português do Brasil, Anais do
75
XXVI Congresso da SBC, I Workshop de Computação e Aplicações, (pp. 78-81).
Campo Grande, MS, 2006.
Morais, E. A. M; Ambrósio, A. P. L. Mineração de Textos. Relatório Técnico,
Universidade Federal de Goiás, 2007.
Morris, C.; Hirst, G. Identifying Sexual Predators by SVM Classification with
Lexical and Behavioral Features, CLEF (Online Working Notes/Labs/Workshop),
2012.
Santin, P. L. L Análise Automática de Textos de Mensagens Instantâneas para
Detecção de Aliciamento Sexual de Crianças e Adolescentes. Dissertação
Mestrado em Informática, Universidade Católica do Paraná, Curitiba, 2013
Weiss, S. M.; Indurkhya, N. Predictive Datamining: a pratical guide, Morgan
Kaufmann Publishers Inc. San Francisco, CA, USA, 1998.
Wives, L. K. Tecnologias de descoberta de conhecimento em textos aplicadas à
inteligência competitiva. Exame de Qualificação EQ-069, PPGC-UFRGS, 2002.
76