Phân loại web đồi trụy dựa vào văn bản và hình ảnh

NGHIÊN CỨU KHOA HỌC<br /> <br /> <br /> Phân loại web đồi trụy dựa vào văn bản và hình ảnh<br /> Pornographic web classification based on text and images<br /> 1 2<br /> Phạm Thị Hường , Nguyễn Văn Thanh<br /> Email: phamthihuongdtth@gmail.com<br /> 1<br /> Trường Đại học Sao Đỏ<br /> 2<br /> Trường THPT Châu Thành<br /> Ngày nhận bài: 15/6/2018<br /> Ngày nhận bài sửa sau phản biện: 23/11/2018<br /> Ngày chấp nhận đăng: 27/12/2018<br /> Tóm tắt<br /> Nghiên cứu này tiếp cận theo phương pháp máy học để từ đó có thể phát hiện tự động những website<br /> chứa hình ảnh khiêu dâm và văn bản có nội dung đồi trụy. Cụ thể, sử dụng giải thuật SVM để phân lớp<br /> hình ảnh dựa vào phân loại màu da cải tiến và Naïve Bayes để phân lớp văn bản. Kết quả cho thấy mô<br /> hình đề xuất có độ chính xác phân lớp cao hơn một số phương pháp đã công bố.<br /> Từ khóa: Máy vector hỗ trợ; phân lớp văn bản; phân lớp hình ảnh; Naïve Bayes; phân loại web.<br /> <br /> <br /> Abstract<br /> <br /> This study approaches a machine learning method to automatically detect websites containing<br /> pornographic images and texts. Specifically, SVM is used to image classify based on the improved skin<br /> color classification, and Naïve Bayes is used to text classify. The results show that the proposed model<br /> has higher classification accuracy than some published methods.<br /> Keywords: Support vector machine; text classification; image classification; Naïve Bayes; web classification.<br /> 1. GIỚI THIỆU<br /> <br /> Thực tế hiện nay, số lượng thanh thiếu niên suy giữa các tài liệu web, sau đó mô hình hóa chúng<br /> đồi đạo đức cũng như phạm tội ngày càng tăng dạng vector nhằm phân lớp văn bản, sử dụng<br /> cao. Một trong những nguyên nhân đó là do ảnh phân tích ngữ nghĩa tiềm ẩn (LSA) và đặc trưng<br /> hưởng từ những thông tin không lành mạnh tràn trang web (WPFS) để trích chọn các đặc trưng ngữ<br /> lan trên internet, lượng lớn thông tin đó chưa được nghĩa và văn bản. Kết quả phân lớp có giá trị TP<br /> phân loại hay kiểm soát để giúp người sử dụng trung bình cho hai phương pháp là 96,5%, chưa<br /> tránh truy cập những thông tin xấu. Nghiên cứu phân lớp hình ảnh trong trang web. Theo [13], tác<br /> về phân loại web đồi trụy ở trong nước cũng như giả đưa ra phương pháp phát hiện nội dung web<br /> trên thế giới đã có những kết quả cụ thể và ứng khiêu dâm sử dụng TF-IDF tính trọng số của một<br /> dụng trong thực tế: công cụ chặn website khiêu từ hoặc nhóm từ để thống kê mức độ quan trọng<br /> dâm của nước ngoài như STOP P-O-R-N của của chúng trong một văn bản tiếng Anh và tiếng<br /> PB Software LLC, Media Detective; CyberSitter Nga. Kết quả phân loại tiếng Anh sử dụng Naïve<br /> của Solid Oak Software; iShield và ScreenShield Bayes có độ chính xác phân lớp trung bình 92,9%,<br /> Enterprise của Guardware,... Trong nước có công thời gian trích chọn đặc trưng cho mỗi tài liệu tiếng<br /> cụ chặn web đen Killporn của tác giả Nguyễn Hữu Anh khá lớn (2,7 giây). Theo [14], tác giả sử dụng<br /> Bình, VwebFilter (VWF), Depraved Web Killer SVM với đặc trưng dựa trên thống kê về kết cấu<br /> (DWK) của tác giả Vũ Lương Bằng, MiniFireWall và màu sắc của một hình ảnh, tính score để xác<br /> 4.0 (MFW) của tác giả Huỳnh Ngọc Ẩn [11]. Theo định hình ảnh có phải khiêu dâm trẻ em không,<br /> hướng tiếp cận máy học về phân loại web đồi trụy sử dụng các visual words cùng tăng cường màu<br /> đã có một số nghiên cứu trên thế giới. Theo [12], sắc DCT để biểu diễn hình ảnh, kết quả có tỷ lệ<br /> tác giả sử dụng SVM để phân tích ngữ nghĩa nhằm lỗi trong phạm vi 11-24%. Theo [15], tác giả sử<br /> tìm mối quan hệ ngữ nghĩa giữa các từ khóa và dụng trí tuệ nhóm trong nhật ký click qua công cụ<br /> tìm kiếm dựa trên ý tưởng “Hành vi nhấp chuột<br /> trên các trang khiêu dâm phản ánh ý định tìm kiếm<br /> Người phản biện: 1. GS.TSKH. Thân Ngọc Hoàn khiêu dâm của người dùng” và những người dùng<br /> 2. TS. Đặng Hồng Hải khác nhau thường sử dụng các truy vấn như nhau<br /> <br /> <br /> 26 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(63).2018<br />  LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA<br /> <br /> để tìm nội dung khiêu dâm trên web. Từ đó, tập giả biểu diễn ảnh bằng đặc trưng SIFT và dùng<br /> hợp số lượng các nhấp chuột của người dùng và mô hình bag of words (BoW) để thực hiện kết tập<br /> mối tương quan giữa các truy vấn hay URL để các đặc trưng cục bộ SIFT đó. Với phân loại văn<br /> đề xuất phương pháp truyền bá nhãn trên đồ thị bản, tác giả chọn các đặc trưng để phân loại là<br /> lưỡng phân có trọng số, điều này làm cơ sở xác ngưỡng tần suất văn bản (Document Frequency<br /> định một trang web có nội dung khiêu dâm hay thresholding –DF). Theo cách tiếp cận này, việc<br /> không. Tác giả sử dụng phân loại văn bản bằng cả đếm số lượng văn bản có chứa từ cấm đơn giản<br /> SVM và Naïve Bayes bổ sung đặc trưng là điểm nhưng độ chính xác chưa cao (93,65%) và phân<br /> khiêu dâm (pornography score – PS) để làm tăng lớp hình ảnh dựa vào đặc trưng SIFL có độ chính<br /> hiệu quả tìm kiếm. Kết quả cài đặt trên ngôn ngữ<br /> xác 76,3255%.<br /> tiếng Anh và tiếng Trung có giá trị TP tương ứng là<br /> 91% và 94%. Theo [16], tác giả sử dụng SVM để Đa phần những công cụ cung cấp bởi các nhà<br /> phân loại văn bản và hình ảnh trong web. Cụ thể, phát triển nước ngoài đều phải trả phí, một số<br /> sử dụng đặc trưng màu da để phát hiện hình ảnh nghiên cứu phân loại web chỉ dựa trên từ khóa,<br /> khiêu dâm và tần suất các thuật ngữ khiêu dâm so URL, chưa phân loại cả văn bản và hình ảnh, một<br /> với tổng số văn bản, khoảng thời gian và mức độ số hạn chế về thời gian phân lớp hay độ chính<br /> của các thuật ngữ khiêu dâm. Kết quả thử nghiệm xác,… Một số công cụ trong nước nhưng chưa<br /> cho độ chính xác phân loại văn bản là 95,8% và được sử dụng rộng rãi và còn một số hạn chế<br /> độ chính xác phân loại hình ảnh là 84%. Ngoài ra, như: DWK, VFW chặn website dựa vào những<br /> độ chính xác của phân loại trang web sau khi hợp từ khóa thông dụng có trong nội dung trang web<br /> nhất thành một bộ lọc gồm cả văn bản và hình ảnh hoặc chặn những URL cụ thể, điều này có thể<br /> là 91,8%. Theo [17], tác giả đưa ra phương pháp<br /> dẫn đến là phần mềm chặn nhầm website bởi<br /> lọc web thông thường, dựa trên phân lớp văn bản<br /> thực tế địa chỉ của một số website có nội dung<br /> sử dụng URL. Phương pháp này chỉ yêu cầu các<br /> khiêu dâm thường thay đổi. Mặt khác, người dùng<br /> tập huấn luyện cho lớp tốt và do đó không phải<br /> không thể liệt kê ra hết những từ khóa và địa chỉ<br /> xây dựng và duy trì tập huấn luyện lớp xấu. Tuy<br /> nhiên, chưa phân lớp được hình ảnh, phân lớp website cần cấm truy cập. Nghiên cứu này tiếp<br /> văn bản mới chỉ dựa trên URL mà không dựa vào cận theo phương pháp máy học để phát hiện tự<br /> nội dung, việc không quan tâm đến huấn luyện động những website chứa hình ảnh khiêu dâm<br /> lớp xấu cũng là hạn chế cho phân lớp web đồi bằng kỹ thuật SVM và website chứa văn bản có<br /> trụy vốn cần quan tâm lớp xấu để chặn. Theo [18], nội dung đồi trụy bằng giải thuật Naïve Bayes. Kết<br /> tác giả trích chọn đặc trưng là vùng da từ ảnh và quả nghiên cứu cho thấy hiệu quả của đề xuất.<br /> tìm mối tương quan giữa vùng đó là da hay không 2. NỘI DUNG NGHIÊN CỨU<br /> phải da, sử dụng SVM để xác định xem một hình<br /> ảnh có là ảnh khiêu dâm hay không. Kết quả thực 2.1. Bài toán phân lớp dữ liệu web<br /> nghiệm cho độ chính xác 75%. Theo [19], tác giả Phân lớp dữ liệu là xếp đối tượng dữ liệu vào<br /> đề xuất mô hình phân loại dựa trên kỹ thuật học một trong các lớp đã xác định trước. Phân lớp<br /> sâu. Việc trích chọn đặc trưng và phân loại bằng<br /> dữ liệu gồm hai bước là xây dựng mô hình và<br /> mạng nơron tích chập nhiều lớp làm cho việc tạo<br /> vận hành mô hình. Cho sẵn một tập dữ liệu các<br /> các đặc trưng và bộ phân loại không phải thực<br /> trang web được gán nhãn là web đồi trụy hay<br /> hiện thủ công. Cụ thể, nghiên cứu tập trung vào<br /> bình thường gọi tắt là lớp xấu và lớp tốt, cần một<br /> tín hiệu thị giác là hình thức khiêu dâm nổi bật<br /> nhất và hệ thống học sâu tự động phân tích hình phương pháp huấn luyện để xây dựng một mô<br /> ảnh (và khung hình video) trước khi phân loại nội hình phân lớp từ tập dữ liệu mẫu đó, sau đó dùng<br /> dung là bình thường hay khiêu dâm. Kết quả thực mô hình này dự đoán lớp của những trang web<br /> nghiệm đạt tỷ lệ phân loại trên 94%. mới chưa biết nhãn.<br /> <br /> Tại Việt Nam, theo [3], tác giả sử dụng SVM 2.2. Phân lớp hình ảnh trong web<br /> để phân lớp nội dung văn bản trong trang web. 2.2.1. Giải thuật SVM<br /> Thực nghiệm được tiến hành trên bộ dữ liệu mẫu<br /> 20-newsgroups (là bộ dữ liệu dành cho các thí Cho trước một tập huấn luyện được biểu diễn<br /> nghiệm trong các ứng dụng phân lớp văn bản) trong không gian vector, phương pháp này tìm ra<br /> với độ chính xác trung bình 94%, chưa phân lớp một siêu phẳng quyết định tốt nhất có thể để chia<br /> hình ảnh. Về phân lớp web chứa cả hình ảnh và các điểm trong không gian này thành hai lớp riêng<br /> nội dung văn bản, theo [4], sử dụng thuật toán biệt. Phương pháp này yêu cầu dữ liệu được diễn<br /> SVM để phân lớp văn bản và hình ảnh. Cụ thể, tác tả như các vector của số thực [5].<br /> <br /> <br /> Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 4(63).2018 27<br />  NGHIÊN CỨU KHOA HỌC<br /> <br /> 2.2.2. Huấn luyện SVM (R>95) và (G>40) và (B>20) và (max{R,G,B})<br /> (3)<br /> Huấn luyện SVM thực chất là việc giải bài toán -min{R,G,B}>15 và (|R-G|>15) và (R>G) và (G>B)<br /> quy hoạch toàn phương, yêu cầu phải lưu một ma<br /> trận có kích thước bằng bình phương số lượng Trong điều kiện chiếu sáng là ánh sáng đèn thì<br /> mẫu huấn luyện. Trong thực tế, điều này là không cho bởi công thức:<br /> khả thi vì thông thường số lượng mẫu huấn luyện (R>220)và(G>210)và (B>170)và (max{R,G,B}-<br /> lớn. Có nhiều thuật toán được phát triển để giải (4)<br /> quyết bài toán trên. Những thuật toán này dựa min{R,G,B}>15) và (|R-G|B) và (G>B)<br /> trên việc phân rã tập huấn luyện thành những Ðể kết hợp chung hai điều kiện chiếu sáng khác<br /> nhóm dữ liệu nhỏ hơn, nghĩa là thay vì giải bài<br /> nhau ta sử dụng phép toán OR.<br /> toán toàn phương có kích thước lớn thì đi giải<br /> những bài toán toàn phương có kích nhỏ hơn. 2.2.3.4. Mô hình phát hiện màu da dựa vào phân<br /> Sau đó, những thuật toán này kiểm tra điều kiện phối histogram<br /> để xác định phương án tối ưu. Một trong những<br /> Là mô hình xác định màu da dựa vào phân phối<br /> thuật toán dùng để giải bài toán toàn phương là<br /> Sequential Minimal Optimization – SMO do Platt histogram của các thành phần màu trong không<br /> đưa ra năm 1999. gian màu RGB và quy tắc phân lớp. Trong mô<br /> hình này sử dụng 14,985,845 skin pixels (điểm<br /> 2.2.3. Phân đoạn màu da<br /> ảnh màu da) và 304,844,751 non-skin pixels<br /> Phát hiện da là một bước quan trọng đầu tiên (điểm ảnh không phải màu da) để tạo ra RGB<br /> trong việc phát hiện ảnh, được sử dụng làm cơ histogram với kích thước 32*32*32 cho điểm ảnh<br /> sở cho việc phát hiện hình ảnh có nội dung đồi da và không da (mỗi thành phần r, g, b được phân<br /> trụy. Mục tiêu của phát hiện màu da là xây dựng phối vào biểu đồ màu có 32 bins). Với mỗi bin cụ<br /> một bộ quy tắc quyết định sẽ phân biệt màu của thể, ta tính log likelihood để phân lớp:<br /> một điểm ảnh (pixel) là màu da (skin color) hay là<br /> không phải da (non-skin color) dựa trên các thành <br /> phần màu sắc.<br /> 2.2.3.1. Mô hình phát hiện màu da trong không Trong đó H(rgb), h(rgb) tương ứng là số skin pixels<br /> gian màu YcrCb và non-skin pixels có trong bin rgb tương ứng của<br /> biểu đồ màu. Với mỗi điểm ảnh rgb sẽ rơi vào 1<br /> Không gian màu YcbCr được biểu diễn bằng<br /> ba giá trị. Thành phần Y đại diện cho cường độ bin trong 32*32*32 bin của mô hình, khi một điểm<br /> của ánh sáng. Hai thành phần Cb và Cr cho biết ảnh rgb được phân lớp là màu da khi thỏa mãn<br /> cường độ của các thành phần màu xanh và đỏ so công thức (4). Trong nghiên cứu này tác giả sử<br /> với thành phần màu xanh lá cây. Mô hình cho bởi dụng file mô hình màu da “skinmodel.bin”(https://<br /> công thức xác định điều kiện để một điểm ảnh có github.com/zhouxc/Adult-WebSite-Classifier)<br /> màu là màu da khi và chỉ khi thỏa mãn điều kiện:<br /> Tuy nhiên, không có một mô hình phát hiện da<br /> 85 ≤ Cb ≤ 135, 135 ≤ Cr ≤ 180, Y ≥ 80 (1) nào là chính xác 100%, các vùng ảnh chứa da<br /> 2.2.3.2. Mô hình phát hiện màu da trong không rất “trơn” (không chứa biên của ảnh) và hình<br /> gian màu HSV ảnh thuộc lớp “xấu” thường là những hình chứa<br /> những vùng da có kích thước lớn, từ đó tác giả<br /> Không gian màu HSV do A.R. Smith đề xuất năm đề xuất thuật toán cải tiến để phát hiện màu da<br /> 1978, còn gọi là không gian màu HSB, là một<br /> của ảnh.<br /> không gian màu dựa trên ba số liệu: H (Hue): Sắc<br /> thái (0=H=360). S (Saturation): Ðộ bão hòa màu Thuật toán cải tiến:<br /> (0=S=1). B (Brightness) hay V (Value): Ðộ sáng<br /> Input: ảnh input_Image (ảnh đen trắng)<br /> (0=V=1). Mô hình cho bởi công thức xác định điều<br /> kiện để một điểm ảnh có màu là màu da khi và chỉ Output: ảnh output_Image (ảnh đen trắng) chứa<br /> khi thỏa mãn điều kiện: màu da được xác định.<br /> 0